MistralがVoxtral 3を公開。音声受付はどこまで任せられる？

この記事でわかること

• 仕事への接続：聞く・判断する・話すを組み合わせ、既存システムにつなぐ仕組み。
• 利用範囲：録音、リアルタイム音声、読み上げで異なる言語対応と条件。
• 電話の制約：現行資料では受電のみで、人への通話転送にも対応していない。
• 費用の見方：分数課金と文字数課金を分け、処理先と運用費も確認する。

「聞き取った後」の仕事までつなぐ

公式のVoice agents資料では、音声の文字起こし、言語モデルによる回答やツール呼び出し、音声生成を一連の処理として扱います。利用者が話している途中でAIの発話を中断することもできます。

ただし、完成済みの受付窓口を置くだけのサービスではありません。自社の何を参照するか、どの操作を許すか、会話の終了後に何をするかは、利用側がアプリケーションとして組みます。音声が入力の入口になっても、業務手順そのものは設計が必要です。

たとえば編集部が考える小さな試行は、公開済みの営業時間やサービス案内への回答と、問い合わせ内容の記録です。その後、必要に応じて注文状況の照会などへ進めます。本人確認や変更・取消を伴う処理を、最初からまとめて任せる必要はありません。

評価したいのは、返答の滑らかさより聞き違えへの対応

「3番ではなく、13番です」と言い直したとき、訂正を反映できるか。相手が途中で質問を変えたとき、古い依頼を実行しないか。業務の試行では、こうした例を架空の情報で用意すると確認しやすくなります。

音声認識が正しくても、古い社内資料を参照すれば答えは誤ります。聞き取り、参照した情報、実行した操作を分けて記録し、どこで誤ったかを見られるようにすることが、改善につながります。

50言語対応は、すべての使い方に共通ではない

公式の言語対応資料は、モデルとモードごとに範囲が異なるとしています。発表の大きな数字だけで、電話でも録音でも同じ条件と考えないようにします。

右列は編集部による用途例です。対応数だけでなく、自社が使う言語、固有名詞、数字の読み方で確認します。会話を日本語で処理できることと、自社の商品名や顧客名を間違えずに扱えることは同じではありません。

自然文で話し方を指示する機能は、公開時点では未提供

音声の表現についても、発表と実装資料を分けて読む必要があります。TTSの機能表は、感情や速さを指定するタグと、自然文で全体の話し方を指定する「Style instructions」を区別しています。

Style instructionsの専用ページには、ローンチ時点では利用できず、現在のモデルはinstructionパラメーターをサポートしないと明記されています。「落ち着いた接客口調で」と自然文を渡せば、その機能が今すぐ使えると見積もらない方がよいでしょう。

電話受付は、受電と折り返し対応を分けて設計する

電話の導入条件は、特に先に確認したい部分です。公式のTelephony資料では、SIP経由の電話対応はEnterprise向けで、担当チームへの相談が必要とされています。セルフサービスで電話番号を設定して完了する形ではありません。

同じ資料にある現在の制限は、受電のみで発信はできず、人への通話転送にも対応しないというものです。発表ページの広い機能紹介より、実装時はこの具体的な制限を優先して確認してください。

したがって、「分からなければその場で担当者へ転送する」ことを前提にすると、業務設計が合わなくなります。対応範囲外の相談をどう記録し、どの担当者が後で確認するかを別に用意する必要があります。折り返しの約束を案内するなら、実際に処理できる体制があることも条件です。

また、電話では利用者の端末上で動く独自ツールは実行できません。ブラウザーの試作で成功した処理でも、電話向けにはサーバー側の接続にそろえる必要があります。

料金は「1分」でそろえず、処理ごとに見る

公式発表の価格表には、次の単価が掲載されています。米ドル表記で、確認時点の発表値です。

同じ発表には、Mistral Small 4を推論に使うVoice agent APIを0.04米ドル／分とする表示もあります。ただし、電話受付全体の総費用がその金額で済むと保証する表示ではありません。選ぶ構成、通信サービス、既存システムとの接続・運用などを含めた条件は別に確認します。

見積もりでは、録音の一括処理と、会話しながら返す窓口を分けましょう。後者は聞くだけでなく、判断と発話も必要です。異なる単位の単価を足して「1通話いくら」と決めず、想定する利用量と構成をそろえて比較することが大切です。

別の音声APIの検討材料として、Grok Voice 3.0の更新・料金と導入前の確認点も整理しています。Voxtral 3と電話接続や転送の条件が同じという意味ではなく、それぞれの構成で比較してください。

APIの利用と、自社環境への配備は別の選択

発表では欧州のAPIや自社環境への配備を選択肢として紹介する一方、利用開始の案内には欧州・米国・グローバルのエンドポイントも記載されています。Mistral製だから、すべて欧州処理・保存なしとは限りません。自社環境への配備は提供元への相談が案内されています。

業務側が確認したいのは、音声がどこで処理されるか、文字起こしと録音を誰が保存するか、問い合わせ記録を誰が閲覧するかです。提供元の処理条件だけでなく、自社アプリや電話基盤に残るデータも含めて決めておきます。

実務上の注意

この記事は公式発表と現行ドキュメントの確認に基づきます。編集部による通話試験や、日本語の認識精度・応答時間の独立測定は行っていません。試行は架空の顧客情報や利用許諾のある音声から始め、録音や外部処理に関する社内ルールを確認してください。

電話番号、料金、データ保持、利用できる機能は契約・構成ごとの確認が必要です。利用者への説明や人への引き継ぎは、音声モデルの性能だけで解決するものではありません。

まとめ

Voxtral 3を仕事で評価する入口は、声の自然さだけではなく、音声で受けた依頼を、正しい情報と業務手順へつなげられるかです。録音処理、ブラウザー上の会話、電話受付を分け、使える機能と費用を確認する。特に電話では、受電後に対応しきれなかった依頼をどう扱うかまで設計してから試すのが現実的です。

よくある質問

出典・参考情報

• Mistral：Voxtral 3 公式発表・価格表
• Mistral：Voxtral 3 モデル管理情報（リリース日：2026年10月20日）
• Mistral Docs：Voice agents
• Mistral Docs：Languages
• Mistral Docs：Text to Speech
• Mistral Docs：Style instructions
• Mistral Docs：Telephony（SIP）

確認日：2026年10月22日（日本時間）。対応言語・公開時点の制限は具体的なドキュメントの記載を優先しています。