Mistral AI、音声モデル群「Voxtral 3」を公開　50以上の言語に対応し毎分0.0035ドルから

画像: Mistral AI

結論（先に3行）

1. Mistral AIが音声モデル群「Voxtral 3」と対話向け開発キットを公開しました。2. 欧州拠点のAPIを通じて本日から提供され、毎分0.0035ドルで利用できます。3. 50以上の言語で音声対話サービスや社内窓口を構築したい企業が対象です。

Mistral AIは、音声認識と音声合成のモデル群「Voxtral 3」を発表しました。音声対話を構築する開発キットとともに、本日から欧州拠点のAPIで提供を始めています。

文字起こしモデル「Voxtral Small Transcribe 3」は、50以上の言語に対応し、話者の識別や発話終了の検知ができます。小型の「Mini」は4Bパラメータの構成で、毎分0.0035ドルで提供されます。

音声合成モデル「Voxtral Mini TTS 3」は、35以上の言語と50以上の方言で会話の文脈に合わせた抑揚を再現できます。また「Pro Voice」機能では、30分の音声から話者の特徴や話し方を再現できます。

開発者は欧州拠点のAPIか自社環境への配備を選択できます。外部システムとの連携に対応しており、企業の電話窓口や社内向けアシスタントの自動化に活用できます。

ひらたく言うと、AIが人の声を聞き取り、内容を考えて作業を行い、声で返答するまでの一連の流れをまとめて作れるセットです。たとえるなら、電話番に必要な耳と頭と口を一度に揃えるような仕組みです。自社のサーバーに置くことも選べるため、社外に会話の録音を出せない会社でも使いやすい構成になっています。

電話窓口の自動化へ。

クラウドAPIだけでなく自社インフラへの配備を選べる点は、通話内容を社外に出せない医療や金融の現場にとってかなり心強い仕様だと筆者は感じました。多言語の窓口対応を検討している人なら、毎分0.0035ドルの小型モデルを使ってまずは社内用語の聞き取り精度を確かめてみるのが良さそうです。

ただ、音声対話の実用化に向けては、発話の終了から返答までのわずかな遅延が使い勝手を大きく左右します。秋冬に予定される競合各社の音声モデル更新で、各社がどこまで待ち時間を縮めてくるかをじっくり見比べたいところです。

多言語の電話窓口や音声アシスタントを開発している人は、外部ツールと連携した自動応答システムを自社環境で構築できるようになります。