Voxtral 3とは​──料金・​日本語対応・電話受付の​導入条件

Mistralは2026年10月20日、音声認識・音声合成のモデル群と、会話を業務システムにつなぐ開発キットをまとめたVoxtral 3を発表しました。録音の文字起こしから、予約確認などを伴う音声対話までを扱います。ただし、Mistralの電話接続機能はEnterprise向けの個別対応で、着信のみ・通話中の有人転送不可という条件があります。^[1][2]

導入を考えるなら、まずブラウザで会話と業務処理を確かめ、その後に電話への接続を検討する流れが現実的です。この記事では、①構成と利用方法 ②日本語対応 ③料金 ④電話受付の条件 ⑤業務連携と自社運用 ⑥試す順番を、2026年10月21日時点の公式資料で整理します。CAGでは実通話・日本語の品質・応答速度・実請求を検証していません。

Voxtral 3は、ひとつの会話アプリの名前というより、音声を使うサービスを作るためのモデル群と道具です。音声認識は話し声を文字にし、音声合成は文字を声に変えます。その間で質問の意味を考え、必要な処理を選ぶのが、Mistral Smallなどの言語モデルです。^[3]

会話全体を動かすVoice Agents SDKは、マイクの音を受け取り、認識・回答生成・読み上げをつなぐ開発用のキットです。声・言語モデル・連携先を別々に検討できるため、文字起こしだけを導入することも、対話まで組み立てることもできます。^[3][4]

試す入口はMistral Studioのプレイグラウンドです。自社の画面やシステムに組み込む場合は、APIというプログラム用の窓口とSDKを使います。リアルタイム認識モデルの公式カードはPublic Previewと表示されており、提供状態も確認してから運用に入れます。^[1][5]

「多言語対応」という見出しだけで、自社の日本語業務でそのまま使えるとは判断できません。公式の対応範囲は機能ごとに異なります。^[6]

発表ページには日本語の音声サンプルが掲載されています。一方、同ページのプリセット音声の言語一覧には日本語が含まれていません。日本語を話せることと、日本語専用の既製の声を選べることは別です。利用する声と機能の組み合わせを、Studioや音声ライブラリで確かめてください。^[1][7]

たとえば予約受付なら、「甲斐と申します」「午後ではなく午前です」「キャンセルではなく日程変更です」のように、固有名詞・言い直し・似た用件を含む短い会話を用意します。文字起こしだけでなく、最終的な日時と用件が正しく登録されるところまで確認します。これは導入時の試験案で、CAGが実測した結果ではありません。

2026年10月21日時点で、公式発表は次の米ドル建て料金を案内しています。単体モデルの通常単価は、API料金表でも確認できます。^[1][8]

発表ページは音声合成を「Speech 3」、開発者向けの料金表は「TTS 3」と表記しています。契約や実装では、表示名に加えて利用するモデルと課金単位を確認します。^[1][8]

音声エージェントの分単価と、各部品を個別に使う単価を混ぜて見積もらないようにします。電話番号・回線、既存システムとの接続、導入作業を含む総額は、この表だけでは決まりません。電話サービスとして検討する際は、契約条件と費用の内訳を問い合わせる必要があります。

発表は電話での利用を広く紹介していますが、Mistralが提供するSIP電話接続の条件は、専用ドキュメントで読む必要があります。SIPとは、インターネット経由で電話をつなぐための仕組みです。2026年10月21日時点では、次の制約があります。^[2]

電話番号と回線側の設備を用意し、Mistralの担当チームと接続を進める形です。すでにある番号を入力すれば、その場でAI受付に切り替わるサービスとしては紹介できません。^[2]

ブラウザの試験で動いた連携も、そのまま電話で使えるとは限りません。電話経由では利用者のアプリが動かないため、アプリ側で実行する連携処理は失敗します。必要な情報取得や処理は、Mistral側で使えるツールや認証済みのコネクターに用意します。^[9]

たとえば「確認が必要なので担当者から折り返します」と案内したら、担当者が依頼を受け取れる出口を作ります。案内文を話せるだけで、社内の引き継ぎまで終わったとは扱わない設計が必要です。

音声エージェントには、資料を探す機能や、自社の処理を呼ぶ仕組みを渡せます。コネクターは外部システムと接続する部品です。認証が必要な接続先は、あらかじめワークスペースで認証されている必要があります。^[9]

予約業務なら、空き枠の検索、選んだ枠の確定、処理結果の確認までを分けて考えます。回答を作るモデルには「予約しました」と言えても、予約システムの処理が失敗することはあります。画面と同じく、成功した結果を受け取ってから完了を伝える設計にします。

提供場所も選定項目です。発表ページの利用開始案内は、欧州・米国・グローバルのAPI接続先を記載しています。また、システム全体を自社設備やプライベートクラウドで動かす場合は問い合わせるよう案内しています。^[1]

自社運用を選べるという案内から、モデルの重みを今すぐ無償でダウンロードできるとまでは読み取れません。自社運用の相談ができることと、自由に配布されたモデルを入手できることは分けて確認します。

最初に確かめる用途は、よくある質問や予約内容の聞き取りなど、正解を照合できる範囲に絞ると判断しやすくなります。電話番号の接続より先に、業務のどこまでを任せられるかを確かめます。

Grok Voice 3.0については、別記事「Grok Voice 3.0とは──電話対応AIの料金と導入前の確認事項」でも整理しました。比較する際は、Voxtral 3で認識・回答生成・音声合成をどう組み合わせるかと、自社が必要とする電話・業務連携の条件を並べると選びやすくなります。

関連記事 ｜ 音声AIの料金と導入Grok Voice 3.0とは──電話対応AIの料金と導入前の確認事項→

Voxtral 3には、文字起こしから会話を伴う業務までをつなぐ選択肢があります。自社の言葉を聞き取れるか、処理を正しく終えられるか、対応範囲を超えた依頼を人が受け取れるか。この順に確かめると、導入に必要な費用と運用が具体的になります。