Mistral Voxtral 3速報｜ElevenLabsの84%オフで音声エージェントが作れる、でもオープンウェイトは捨てた
「ElevenLabsの請求書を見るたびに頭が痛い。音声エージェントを本番に持っていくとコストが3倍になる」。HackerNewsのVoxtral 3スレッドでこんな声が上位に並んだ（HN #50168396, 2026年10月）。
Mistral AIが2026年10月20日に公開したVoxtral 3は、その痛点に直球で刺さる価格設定を持ってきた。音声合成のコストはElevenLabsの約84%オフ。しかし同時に、Mistralが掲げてきた「オープンウェイト」という看板を静かに下ろした。
- 音声エージェントや音声ボットを開発しているエンジニア・スタートアップ
- ElevenLabsやOpenAI Whisperのコストを削減したい開発者
- Mistral製品の最新動向を追いかけているAI関係者
Voxtral 3の構成：4モデル体制
Voxtral 3は1つのモデルではなく、4つのモデルからなるファミリーだ（Mistral公式, 2026年10月）。
| モデル | 用途 | 価格 |
|---|---|---|
| Voxtral Mini Transcribe 3 | 低コスト文字起こし | $0.0035/分 |
| Voxtral Small Transcribe 3 | 高精度文字起こし | $0.004/分 |
| Voxtral Realtime Transcribe 3 | リアルタイム文字起こし | $0.008/分 |
| Voxtral 3 Speech（TTS） | 音声合成 | $13/100万文字 |
文字起こしは50以上の言語、TTSは35以上の言語と50以上の方言をカバーする。リアルタイムモデルはエンドオブターン検出を搭載し、話者識別も自動で行う。遅延は500ms以下でストリーミング対応、TTSは最初の音声が約90msで出力される（ai-tldr.dev）。
Voice Agent SDKはこれら4つを束ねた統合パイプラインだ。LiveKit上に構築されており、音声入力→推論→関数呼び出し→音声出力を1本のストリームで処理する。SIP（電話回線）とWebRTCの両方に対応しており、コールセンターシステムへの組み込みを想定している。
価格：ElevenLabsとの比較
Voxtral 3が最も直接的に刺さる相手はElevenLabsだ。現時点でのTTS価格を並べるとこうなる。
| サービス | TTS価格 | 言語数 |
|---|---|---|
| ElevenLabs Flash v2.5 | $80/100万文字 | 32言語 |
| Voxtral 3 Speech | $13/100万文字 | 35言語以上 |
| OpenAI TTS-1 | $15/100万文字 | 57言語 |
単純計算でElevenLabsより約84%安い。月間1億文字を使う規模なら、ElevenLabsで$8,000かかっていたコストがVoxtral 3で$1,300に下がる計算だ。
音声エージェントのパイプライン全体（STT+LLM推論+TTS）でも1分あたり約$0.04と報告されている（TechTimes, 2026年10月）。これはWhisper+外部LLM+ElevenLabsを個別に組み合わせるより安く抑えられるケースが多い。
ただし注意点がある。Artificial Analysis leaderboardでは、同社の独立評価においてTTSのEloスコアはVoxtral 3 Speechが1,217に対してElevenLabsが1,328と、品質差はまだ残っている。「87%安いが音質は若干落ちる」というトレードオフを前提に選択する必要がある。
ベンチマーク：文字起こし精度は本物か
文字起こし精度については、Artificial Analysisの独立評価でVoxtral Small Transcribe 3が2.1% AA-WER Index（WER＝Word Error Rate、単語誤り率）を記録し、43モデル中3位に入った（Artificial Analysis X, 2026年10月）。Mistral自身の評価ではFLEURS 35ベンチマークでMinが4.5%、Smallが4.0%のWERを示している。
リアルタイムモデルはエンドオブターン検出のタイムラグを設定可能で、80ms～2,400msの間で調整できる。タイムラグを短くするほど遅延は減るが誤検出が増え、WERも悪化する（480msで6.4%、240msで7.4%）。コールセンター用途では精度を優先した600ms前後の設定が推奨されている。
ただしHackerNewsでは「速度の主張は文字起こし単体の遅延を指しており、会話全体のターンアラウンドタイムではない」という指摘が複数上がった（HN #50168396）。バージイン（ユーザーが話し始めた時点でAIが発話を止める機能）の実測値や、雑音環境での精度については発表資料に記載がなく、現時点では不明だ。
最大の落とし穴：オープンウェイトを捨てた
Voxtral 3の最大の変更点であり、HNで最も批判を集めているのがクローズドウェイト化だ。以前のVoxtralは重みが公開されており、ローカルで自由にデプロイできた。しかしVoxtral 3は非公開で、セルフホストを希望する場合はMistralへの営業問い合わせが必要になった（MistralAI公式）。
HNのスレッドでは「オープンウェイトでないなら興味がない」「セルフホストに営業連絡が必要なのはMistralとしてあり得ない」という声が上位を占めた。Parakeetなどのオープンソース代替を勧めるコメントも多数見られた（HN #50168396）。
音声品質についても賛否がある。あるHNユーザーはこう書いた。「Voxtral 1と比べてVoxtral 3のほうがはるかに人工的でAIっぽく聞こえる。新しいほうを聴くのが本当に嫌だった」。一方で「価格とワンストップ構成は評価できる」という声もある。daily.devのコミュニティ集計では31%が好意的、31%が中立、38%が懐疑的という結果だった（daily.dev）。
日本語サポートの現状
文字起こしは50以上の言語をカバーすると謳われているが、日本語が含まれているかどうかは公式ドキュメントに明記されていない。あるブログでは「標準的な日本語音声が用意されていない」と記されており（note.com/ai_masaki, 2026年10月）、TTSの日本語品質は未確認の状態だ。
日本語を主要言語とする音声エージェントを開発する場合は、必ず事前にAPIで実テストを行うことを強く推奨する。50以上の言語というのは欧州の公用語とアジアの一部言語を中心にカバーしており、日本語が含まれていたとしても品質は保証されていない。
| 比較項目 | Voxtral 3 | ElevenLabs | OpenAI Whisper/TTS |
|---|---|---|---|
| STT価格 | $0.004/分（Small） | 非公開（従量） | $0.006/分（Whisper） |
| TTS価格 | $13/100万文字 | $80/100万文字 | $15/100万文字 |
| 全パイプライン | 約$0.04/分 | 要個別見積もり | 要個別見積もり |
| オープンウェイト | なし（要問い合わせ） | なし | なし |
| 日本語TTS | 未確認 | あり | あり |
音声AIコストを削減したい開発者へ
Voxtral 3はElevenLabsより84%安いが、オープンウェイトを捨てた。GPT-LiveやGemini Liveとの比較も含めて、自分のユースケースに合った音声AIを選ぼう。
関連記事
- GPT-Live完全解説｜ChatGPTが「聴きながら話せる」全二重音声の仕組みと注意点
- Gemini 3.8 Live 音声AI解説｜GPT-Live-1の7分の1の価格で品質首位
- Mistral Large 4（Le Chonk）：1兆パラメーター欧州最大オープンモデルの実力と課題
- Jack Dorsey・BlockのDessa：テキスト不使用の音声AIが「人間すぎる」と話題になった理由
本記事に記載された価格・ベンチマーク数値は各リンク先の報道に基づく。Mistral AIの公式ドキュメントと差異がある場合は公式情報を優先すること。Voxtral 3の仕様は現在パブリックプレビュー中のため、変更される可能性がある。
