Voxtral TTS は Mistral の音声合成(テキスト読み上げ)モデルです。モデルページによると、バージョン26.03(API ID は voxtral-mini-tts-2603)は2026年3月23日にリリースされ、9言語とゼロショットの音声クローンに対応し、ストリーミングで初回音声まで約90ms、/v1/audio/speech エンドポイントから利用できます。その後 Mistral は、後述の新しいモデル Voxtral TTS 3 を掲載しています。
新しいモデル
Mistral のモデル概要には、現在 Voxtral TTS 3(voxtral-mini-tts-3-0)が載っています。そのモデルページには、リリース日2026年10月20日、Public Preview、35以上の言語と50以上の方言、ゼロショットとプロフェッショナルの音声クローン、ストリーミングで初回音声まで約90ms、料金は100万文字あたり$13と記されています。これらのページは26.03を非推奨とはしておらず、新モデルがそれに置き換わるかどうかも述べていません。
主な機能
- ゼロショット音声クローン:短い音声プロンプトから声をクローンできます。ページによると、音声プロンプトに書き起こしは不要です。
- 低レイテンシ:初回音声まで約90ms、ストリーミング対応。
- 多言語:バージョン26.03は9言語に対応。ページには言語の一覧がありません。
- ライセンス:CC BY-NC 4.0 で、非商用ライセンスです。
モデル仕様
| 項目 | Voxtral TTS 26.03 |
|---|---|
| API モデル ID | voxtral-mini-tts-2603 |
| リリース日 | 2026年3月23日 |
| 対応言語 | 9 |
| 初回音声まで | 約90ms、ストリーミング |
| ライセンス | CC BY-NC 4.0 |
| エンドポイント | /v1/audio/speech |
料金
モデルページ(2026年10月29日に確認)には、バージョン26.03が100万文字あたり$16と記載されています。予算化の前に Mistral の料金ページで確認してください。
活用シーン
- 初回音声の速さが重要な音声エージェント。
- 利用権のあるクローン音声によるナレーションやボイスオーバー。
- Voxtral Mini Transcribe 2 などの音声認識と組み合わせた音声ループ。
クイックスタート
- Mistral の API キーを作成し、Voxtral TTS モデルで
/v1/audio/speechを呼び出す。 - 音声クローン用に短い音声プロンプトを渡し、低遅延のためにストリーミングを有効にする。
- 商用利用の前にライセンス条件を確認する。掲載されているライセンスは CC BY-NC 4.0 です。
よくある質問
Voxtral TTS は何言語に対応していますか?
バージョン26.03は9言語です。新しい Voxtral TTS 3 は35以上の言語と50以上の方言を掲載しています。
料金は?
2026年10月29日時点で、26.03は100万文字あたり$16、Voxtral TTS 3は100万文字あたり$13です。
音声クローンはできますか?
はい。26.03はゼロショットの音声クローンを提供し、Voxtral TTS 3 ではプロフェッショナルの音声クローンが加わります。
商用利用できますか?
ページに記載されているのは非商用の CC BY-NC 4.0 です。ご利用の経路に適用される条件を確認してください。
代替ツール
- Voxtral Mini Transcribe 2:Mistral の文字起こしモデル。
- OpenAI tts-1:OpenAI の以前の音声合成モデル。
- ElevenLabs Turbo v2.5:ElevenLabs の低遅延の音声モデル。
まとめ
Voxtral TTS は、ストリーミング音声、音声クローン、文字単位の公開価格を兼ね備えています。詳細はモデルページを、より広い言語対応が必要なら Voxtral TTS 3 もご検討ください。
出典
- ウェブサイトhttps://docs.mistral.ai/models
- ソーシャルメディアhttps://x.com/MistralAI
コメント
まだコメントがありません。最初のコメントを投稿してください!