Mistralは3月26日、初の音声モデルとなるVoxtral TTSをリリースした。
4Bパラメータ、オープンウェイト、人間評価でElevenLabs Flash v2.5を上回る自然さ、API価格は1,000文字あたり0.016ドル、自社サーバーでの実行可能——これが本製品の核となるセールスポイントだ。
4Bパラメータの構成
Voxtral TTSのアーキテクチャは3つのモジュールで構成される：
| コンポーネント | パラメータ数 | 機能 |
|---|---|---|
| トランスフォーマーデコーダー基盤 | 3.4B | Ministral 3Bベース、言語理解とテキスト処理を担当 |
| 音響トランスフォーマー | 390M | flow-matchingアーキテクチャ、音声特徴生成を処理 |
| ニューラルオーディオコーデック | 300M | 対称コーデック設計、音声圧縮と復元 |
レイテンシ：500文字のテキストと10秒の参照音声を与えた場合、最初の音声フレームが70ミリ秒以内に出力される。リアルタイムファクターは約9.7倍、つまり1秒の音声生成に約0.1秒の計算時間しかかからない。
ElevenLabsとの比較
Mistralの発表によると、人間評価でVoxtral TTSの音声自然度はElevenLabs Flash v2.5を上回り、ElevenLabs v3の品質と同等である。
ElevenLabsは現在の音声AI分野のトッププレイヤーであり、v3はそのフラッグシップ製品だ。「フラッグシップと同等、サブフラッグシップを上回る」というポジショニングは、4Bのオープンウェイトモデルとしてはかなり大胆な主張と言える。
音声クローンについては、3秒の参照音声で十分だ。単なる音色のコピーではなく、アクセント、抑揚のパターン、間の取り方の習慣、さらには「えーと」「あのー」といった言語的習慣のリズムまで捉える。また、ゼロショットの言語間転送もサポート——同じ音声設定で異なる言語を読み上げ、理論上はアクセントの一貫性を維持できる。
対応言語
英語、フランス語、ドイツ語、スペイン語、オランダ語、ポルトガル語、イタリア語、ヒンディー語、アラビア語の計9言語。
中国語はリストに含まれていない——中国ユーザーにとっては大きな欠点であり、現時点ではこのモデルを検討対象から外してよい。
オープン性の明確化
注目すべき詳細がある：Voxtral TTSのウェイトライセンスはCC BY NC 4.0であり、Apache 2.0ではない。
"NC"はNon-Commercial（非商用）を意味する——非商用利用では自由にダウンロード、修正、配布が可能だが、商用利用にはAPI経由が必要となる。学術研究、個人プロジェクト、コンテンツデモの場合は、Hugging Faceから直接ウェイトをダウンロードでき、使用制限はない。商用製品に統合する場合はAPIを使用する：1,000文字あたり0.016ドル。
競合の価格参考：ElevenLabs Flash v2.5は約1,000文字あたり0.066ドル。Voxtral APIはその約4分の1で、価格面で明確な優位性がある。
この製品の影響を受ける層
音声AIの状況はここ数年で大きく変化している。ElevenLabsがほぼデフォルトの選択肢だったが、その後Deepgram、OpenAI、Microsoftが相次いでTTS機能を追加し、ByteDanceの音声製品も中国国内で競争している。Mistralは「オープンウェイト＋低価格API」という路線で参入する——言語モデルと同じ戦略だ。
音声エージェント、ポッドキャスト制作、語学学習、カスタマーサービスシステムがTTSの主要な応用シーンだ。コストを抑えたい、データを国外に出したくない企業にとって、自社デプロイの選択肢は確かに魅力的だ——商用利用の場合でも、まずオープンウェイトでテストし、効果を確認してからAPIに切り替えることができる。
ただし繰り返す：中国語は非対応だ。この製品の現在の主なターゲットは、ヨーロッパ、南アジア、または多言語展開する海外チームであり、中国国内での直接的なユースケースは多くない。
出典：Mistral AI just released a text-to-speech model it says beats ElevenLabs（VentureBeat）；Mistral releases a new open source model for speech generation（TechCrunch）；CocoLoop、Speaking of Voxtral（Mistral AI公式ブログ）