Voxtralの音声認識は欧州APIか自社か|音声の置き場所で選ぶ

「会議やコールセンターの録音を、海外の音声認識APIに送ってしまってよいのか」「自社のサーバーで動かせるなら、そちらのほうが安心なのではないか」——音声認識のエンジンを入れ替えようとする情シスやAI導入の担当から、同じ時期に出てくる二つの問いです。フランスのミストラルは2026年10月20日、音声モデル群 Voxtral の第3世代を発表し、欧州・米国・指定なしの3種類の受付先を持つAPIと、自社の環境で動かす選択肢を並べました。選ぶ物差しは精度の数字より先に、「音声がどこで処理され、何日残り、誰が直すか」です。この記事では、欧州の受付先のAPI、自社環境・オンプレミス、既に使っている大手クラウドの音声認識の3択を、音声の保存と学習利用、日本語の確かめ方、話者分離の誤りの直し方から整理します。
カメ先生音声認識を選ぶというと、どの製品がいちばん正確かを比べる話だと思われがちなんだ。でも本当は、社員や顧客の声という個人に結びつく記録を、どこへ運んで誰の手元にどれだけ置くかを決める話なんだよ。
カメ子精度が同じくらいなら、音声の行き先と残り方の違いで選ぶことになる、ということですか。
カメ先生そう。しかも精度の数字は、メーカーが自分で選んだ試験の結果だからね。自社の録音で測り直して、誤りを誰がどこまで直すかを決めて、初めて比べられるんだ。
カメ子置き場所と、自社の録音での確かめ方と、直す人の三つがそろって、やっと選べるんですね。
- Voxtral の第3世代は2026年10月20日に出たばかりで、公式のモデル一覧では公開プレビューの段階。重みの公開も、第3世代については記載が見当たらない
- API の音声は既定で生成後30日残る。欧州・米国の受付先は処理の場所を指定できるが、管理用のデータまで地域内に収まるわけではない
- 日本語の精度と話者分離は、自社の録音で正解を人が作って測る。判定と議事録の確定は業務の担当が持ち、AIに採点させない
うちの業務、AIで何が自動化できる?
「AIで何ができるかは分かったが、自社の業務のどこに使えるのかが分からない」という段階の方へ。30業務の判定と5つの実務例から、最初に自動化する1業務を選ぶための無料ガイドです。
Voxtralとは:ミストラルの音声モデル群と2026年10月の第3世代
Voxtral は、フランスのAI企業ミストラルが開発する音声モデルの名前です。2025年に最初の版を出し、2026年2月4日に文字起こし専用の第2世代、同年10月20日に第3世代を発表しました。第3世代は、録音ファイルを文字にする上位版と小型版、話しながら文字にするリアルタイム版の3種の文字起こしモデルに、文章を声にする読み上げモデルを加えた構成です。音声を聞く、考える、話すを一つにつなぐ音声エージェントの開発キットも同時に出しています。
ミストラルは独立した企業で、2026年に入ってもクラウド基盤の新興企業や物理シミュレーションのAI企業を買収する側に立っています。被買収や事業の終了を伝える報道は、この記事の調査の範囲では見当たりませんでした。公式サイトは「主権を持つAI」を前面に掲げ、欧州でホストするAPIか、自社の基盤への展開かを選べることを、音声モデルでも売りにしています。
日本語でこの製品を紹介する記事はほとんどなく、検討の材料は英語の公式資料に頼ることになります。この記事では、文字起こしの精度の一般的な測り方や、音声エージェントを外注するか自作するかの一般論は扱いません。情シスとAI導入の担当が、Voxtral を自社の議事録・コールセンター・音声エージェントのエンジン候補に挙げたときに決めることに絞ります。
2026年10月の発表で変わったこと
第3世代の発表で公式が挙げた変化は大きく四つです。文字起こしの対応言語を50に広げたこと、誰が話したかを分ける話者分離をリアルタイムでも使えるようにしたこと、固有名詞や専門用語を事前に渡して書き取りを寄せる補正を語句単位でも文章でも渡せるようにしたこと、話し終わりを検出して音声エージェントの応答を速くしたことです。公式の評価の対象言語には日本語が含まれ、日本語・中国語・韓国語・タイ語は単語ではなく文字単位の誤り率で測ったと注記しています。
料金は、録音ファイルの文字起こしが小型版で1分あたり0.0035ドル、上位版で0.004ドル、リアルタイム版が0.008ドル、読み上げが100万文字あたり13ドルと公表されています。音声エージェントのAPIは、考える部分に同社の小型の汎用モデルを使う場合で1分あたり0.04ドル、より大きいモデルで0.08ドルです。1分あたりの単価はどれも小さく、費用の差より、音声の扱いの差で選ぶ場面が多くなります。
一方、移行の手引きには既存の利用者に影響する変更も書かれています。第2世代で取れた単語ごとの時刻は廃止され、時刻は発話の区間単位だけになりました。字幕の生成や、録音のどの瞬間に何と言ったかを単語単位で引く仕組みを作っている場合、第3世代へ移ると、その部分を作り直す必要があることになります。リアルタイムの設定は最初の音声が届いた時点で固定され、途中で変えられない点も変わりました。
正式提供か、重みは公開か:公式の記載から確かめる
発表の文章は「本日から利用できる」と書いていますが、公式のモデル一覧を開くと、第3世代の文字起こし3種と読み上げのいずれも状態の欄が「公開プレビュー」になっています。正式提供の段階に入ったという記載は、この記事の調査の時点では見当たりません。プレビューの段階では、仕様や料金、提供の範囲が変わる可能性を織り込んでおく必要があります。移行の手引きにも、別名で呼ぶモデルの指し先が正式提供から1か月以内に第3世代へ切り替わるという、正式提供がまだ先であることを前提にした書き方があります。
重みの公開も確かめておきたい点です。第2世代のリアルタイム版は、4B規模の重みが Apache 2.0 の条件で Hugging Face に公開されていました。ところが第3世代のモデル一覧では、分類が同社の商用モデルの側になっており、重みの公開の記載はありません。「Voxtral は重みが公開されているから、自社のサーバーで自由に動かせる」は、第3世代については確かめられないと考えるのが正確です。
さらに、その第2世代のリアルタイム版は、APIでは2026年10月31日に非推奨となり、2027年4月30日に提供を終える予定と公式に書かれています。公開された重みを手元に置いて動かし続けることはできても、同社の改良と保守の流れからは外れた版を使い続けることになります。自社で動かす選択肢を検討するなら、どの版の重みを、どの条件で、誰が保守するのかを販売元に書面で確かめます。
比べる3つの選択肢
この記事で比べるのは、次の三つです。一つ目は、ミストラルのAPIに音声を送り、欧州(または米国)の受付先を指定して処理させる形。二つ目は、自社の環境やプライベートクラウドにモデルを置いて動かす形で、公式は全体を自社で動かす場合は営業窓口に相談するよう案内しています。三つ目は、既に契約している大手クラウドの音声認識を使い続ける形です。
| 観点 | 欧州の受付先のAPI | 自社環境・オンプレミス | 既に使っている大手クラウドの音声認識 |
|---|---|---|---|
| 音声の処理場所 | 欧州域内の複数のデータセンター(指定時) | 自社の管理下 | 契約したクラウドの地域設定による |
| 音声の残り方 | 既定で生成後30日。ゼロ保持は申請制 | 自社の保存設計しだい | 既存の契約とデータ処理の条項による |
| 始めやすさ | 鍵を発行すればすぐ試せる | 相談・見積もり・機材の用意が先 | 追加の契約なしで使える場合が多い |
| 保守と更新 | 同社が更新。プレビューの変更を受ける | 版の更新と監視を自社が持つ | 既存の運用の延長 |
| 向く場面 | 地域の指定が必要で、早く試したい | 音声を社外に一切出せない業務 | 既存の監査や契約を崩したくない |
表で分かるとおり、三つは精度ではなく、音声の扱いを誰の責任で設計するかで分かれます。APIはミストラルの約束の範囲で、自社運用は自社の設計の範囲で、既存クラウドは既に結んだ契約の範囲で、音声の扱いが決まります。以下では、それぞれで確かめることを順に見ていきます。
受付先の選び方:欧州・米国・指定なしで何が変わるか
ミストラルのAPIには、指定なしのグローバルの受付先と、欧州、米国の3つがあります。公式の説明では、グローバルの受付先は「処理の場所を約束しない」とされ、欧州は欧州連合と欧州自由貿易連合の国々の複数のデータセンター、米国は米国内の複数のデータセンターで処理します。何も指定しなければ、処理の場所は決まらないという点がまず押さえどころです。
地域を指定する場合の料金は、標準の1.1倍です。そのうえで、公式は二つの限界を明記しています。一つは、アカウントの設定、APIの鍵、請求、利用の分析などの管理用のデータは、選んだ地域の外のシステムで扱われることがあること。もう一つは、地域の受付先では、エージェント、一括処理、ファイルの保管といった状態を持つ機能が使えないことです。地域を指定しても、音声を処理する場所が決まるだけで、会社の利用の記録まで地域内に収まるわけではないと理解しておきます。
地域ごとに提供されるモデルも異なると公式は書いており、使う前に地域の受付先でモデルの一覧を確かめるよう求めています。日本企業の場合、欧州と米国のどちらを選ぶかは、取引先との契約や社内規程で処理の地域に条件があるかで決まることが多いはずです。日本国内での処理を条件にしている業務では、どちらの受付先でも条件を満たさないため、自社運用か既存クラウドの国内の地域を検討することになります。
音声はどこに何日残るか:30日の監視保存とゼロ保持
2026年9月3日施行のプライバシーポリシーは、APIの入力と出力について、出力の生成に必要な期間のあと、不正利用の監視のために30日間保持すると書いています(ゼロ保持が有効な場合を除く)。音声認識の場合、入力は録音そのもの、出力は文字起こしです。会議や通話の録音が、既定ではミストラルの側に30日残る前提で、社内規程や顧客への説明と合うかを確かめます。
ゼロ保持は、有料プランで、状態を持たないAPIの呼び出しに限って申請できる仕組みです。対象の一覧には文字起こしと音声生成が入っています。一方、ファイルの保管機能、一括処理、エージェントなどは対象外で、申請は理由を添えてサポートに出し、承認するか却下するかは同社の判断とされています。録音をいったん預けて何度も文字起こしする使い方は、ゼロ保持の対象外になるため、使い方そのものを設計で絞る必要があります。
- ゼロ保持は申請して承認されるまで効かない。承認の記録と、どの組織・どの呼び出しに効いているかを情シスが保管する
- ファイル保管の機能で預けた録音は、使い終わったら削除する手順を決める。公式も不要になった録音の削除を案内している
- 音声エージェントの機能や同社の分析機能に送った記録は、ゼロ保持の範囲の外にあると考え、別に扱いを確かめる
学習への利用:管理画面のスイッチは製品ごとに別
保存とは別に、入力した音声が同社のモデルの改良に使われるかという問題があります。ミストラルの公式の解説は、ゼロ保持と学習からの除外は別の制御であり、学習から外すだけならゼロ保持は要らないと説明しています。APIについては、管理画面のプライバシーの項目にある改良用データのスイッチを切ることで、APIの呼び出しと関連するデータを改良に使わせない設定にできます。
注意したいのは、同社の対話サービスとAPIとで、このスイッチが別々になっていることです。公式の解説は「片方を切っても、もう片方は切れない」と明記しています。社員が個人で同社の対話サービスに録音を貼り付けて要約させている場合、API側で学習を切っていても、その録音は別の扱いになるということです。対話サービスの一般向けの利用は、既定で学習の対象に入る形だと同じ解説に書かれています。
導入の手続きでは、APIの組織を作った時点で学習のスイッチを確認し、切った画面の記録を残します。あわせて、社員が個人の契約で同社のサービスを使っていないかを確かめ、使わせない、または法人の契約にまとめる方針を決めます。音声認識のエンジンを選ぶ判断と、社員のAI利用の規程は切り離せないからです。
自社環境・オンプレミスで動かすという選択肢
公式の発表は、第3世代を欧州でホストするAPIか、自社の基盤への展開で使えると説明し、会話の中身を自社の環境の中にとどめ、音声を残すかどうかも自社で決められると書いています。第2世代の発表では、自社設置やプライベートクラウドによって、欧州の個人データ保護の規則や米国の医療情報の規則に沿った運用を支えるとも述べています。ただし、全体を自社で動かす場合の条件は公開されておらず、窓口への相談が前提です。
自社で動かすと、音声が社外に出ない代わりに、それまでミストラルが持っていた仕事が自社に移ります。モデルを動かす計算機の用意、負荷が集中したときの増強、版の更新、障害時の対応、そして処理の記録の保存です。プレビューの段階のモデルを自社で動かす場合、更新のたびに精度や挙動が変わり得るため、更新を当てる前に自社の評価用の録音で測り直す工程を運用に組み込む必要があります。
相談の場では、少なくとも次の点を書面で確かめます。自社で動かせるのはどのモデルのどの版か、重みや実行の環境はどの形で渡されるのか、ライセンスの期間と更新の条件、保守の窓口と対応の言語と時間帯、提供を終える版が出たときの移行の支援です。日本語での支援の体制は公式の資料からは確かめられないため、ここは最初の商談で聞くべき項目になります。
既に使っている大手クラウドの音声認識に残る理由
三つ目の選択肢は地味ですが、外せません。多くの企業は、会議の録画や通話の記録を、既に契約しているクラウドや会議ツールの中で文字にしています。その場合、音声の保存場所、保持の期間、学習への利用、委託先の管理は、既に結んだ契約と監査の中で一度整理されているはずです。エンジンを替えると、この整理をもう一度やり直すことになります。
ミストラルの発表には、他社の音声認識より誤り率が低いという比較の図が並んでいます。しかし、これは同社が選んだ公開の試験での結果で、条件も同社が決めたものです。比較の対象には大手クラウドの音声認識も含まれていますが、自社の会議室のマイクや電話の音質で同じ差が出るかは、測ってみないと分からないと考えるのが筋です。差が小さければ、乗り換えの手間と契約の見直しの費用のほうが大きくなります。
逆に、乗り換えを検討する価値が高いのは、既存のエンジンで固有名詞の誤りが多く、語句による補正で改善が見込める場合や、欧州の取引先から処理の場所を問われている場合、音声エージェントを自社で組みたい場合です。乗り換えの理由を一つの文で言えないうちは、既存のエンジンに残るのが安全な判断です。
日本語の精度を自社の録音で確かめる:評価用の音声の作り方
メーカーの数字の代わりに使うのは、自社の録音で作った評価用の音声の束です。議事録用なら会議室の集音マイクとオンライン会議の録音、コールセンター用なら電話回線を通った通話の録音を、実際の業務と同じ条件で集めます。話者の人数、雑音、早口、方言、専門用語の多さが、普段の業務の割合に近くなるように選ぶことが大切です。録音の利用は、社内の説明と同意の範囲で行います。
次に、選んだ録音について、人が聞き直して正解の文字起こしを作ります。ここをAIの出力の手直しで済ませると、AIの誤りが正解の側に紛れ込みます。正解を作るのは、その会議や通話の内容が分かる業務の担当です。固有名詞、製品名、金額や日付などの数字、否定の言い回しには、正解の文字起こしの上で印を付けておくと、後の判定が速くなります。
会議室、オンライン会議、電話など、実際に使う録音の条件ごとに、数本ずつ集めます。社外の人の声が入る録音は、説明と同意の範囲を確かめてから使います。
内容の分かる担当が聞き直して正解を作り、固有名詞・数字・否定・話者の切り替わりに印を付けます。AIの出力を下書きに使う場合も、最終の正解は人が聞いて決めます。
まず語句による補正を入れずに文字にし、誤った固有名詞を洗い出してから補正の語句を入れて比べます。公式も、補正は優先はするが強制はしないと説明しています。
同じ録音を、今使っているエンジンにも通して並べます。乗り換えの判断は、この並びで業務上の誤りがどれだけ減るかで行います。
補正の語句の扱いにも、評価の段階で確かめておく癖があります。公式の説明では、補正はリクエストごと、リアルタイムなら会話の開始時に毎回送る必要があり、途中で変えられません。また、補正の語句は音声と同じ65,536トークンの枠を分け合うため、長い録音に長い語句の一覧を付けると、切り詰められずに誤りで止まるとされています。製品名や顧客名の一覧を丸ごと渡すのではなく、評価で誤った語句から順に足し、どこまで載せられるかを試しておきます。
誰が判定するか:誤り率ではなく業務の誤りで決める
文字単位の誤り率は便利な目安ですが、議事録やコールセンターの業務で困る誤りは、数の多さより中身で決まります。助詞の取り違えが十か所あっても議事録は読めますが、金額の桁や「対応しない」の否定が一か所消えると、業務の判断が変わります。判定の物差しは、誤りの数ではなく「業務を誤らせる誤り」の数にするのが実務的です。
判定は、評価用の音声の正解を作った業務の担当が行い、情シスとAI導入の担当は、その判定を集計して比べる役に回ります。AIに二つの文字起こしを比べさせて点数を付けさせる方法もありますが、AIの誤りをAIに採点させる形は、判定として説明がつかないため、使うとしても人の判定の補助にとどめます。採点の根拠として、どの箇所をなぜ誤りとしたかを記録に残します。
- メーカーが公表した誤り率の比較の図だけを根拠に、乗り換えを決める
- 社内の静かな部屋で読み上げた原稿を評価用の音声にして、実際の会議の雑音や重なりを含めない
- 正解の文字起こしを、候補のエンジン自身の出力を手直しして作る
- 誤りの数を数えるだけで、固有名詞・数字・否定の誤りを分けて見ない
話者分離の誤りを、議事録で人がどこまで直すか
議事録で話者分離の誤りが問題になるのは、決定事項や担当者の割り当てに直結するからです。「その件は私が持ち帰ります」がどちらの発言かを取り違えると、宿題の持ち主が変わります。公式の解説によれば、話者のラベルは一つの文字起こしの中でだけ一貫しており、別の録音の同じラベルが同じ人を指すとは限らないとされています。
名前を付けるには、話者ごとに3〜15秒の参照用の音声を渡す仕組みがあり、参照は最大8本、話者の合計は10人までです。同じ人の声で、実際の録音に近い条件で録った参照ほど一致しやすいと公式は説明しています。また、二人が同時に話した部分は現在の版では対象外とされ、相づちや割り込みが多い会議ほど、話者の切り替わりの誤りが増える前提で運用を組む必要があります。
現実的な線は、人が直す範囲を先に決めておくことです。決定事項、担当者と期限、金額、社外への約束の四つは、会議の進行役か記録係が録音と照らして必ず確かめ、それ以外の発言の話者の誤りは許容する、といった形です。AIに決定事項を判断させず、要約に根拠となる発言の時刻を添えさせ、人がその時刻を聞き直して確定する流れにすると、確認の手間が絞れます。参照用の音声として社員の声を登録する場合は、その保存場所と削除の手順も決めておきます。
音声エージェントに使うときに増える論点
第3世代の音声エージェントの開発キットは、LiveKit の上に作られ、聞き取り、考える、道具を呼ぶ、話すを一つの流れで動かします。電話回線にもブラウザやアプリにもつながり、既存の電話の仕組みやコールセンターのソフトとつなげると公式は説明しています。各段階が別のモデルなので、考える部分のモデルや声、言語を後から替えられるのも特徴です。
音声エージェントに使うと、文字起こしだけのときにはなかった論点が二つ増えます。一つは道具の呼び出しで、発表の例では、通話中に本人の確認、請求の照会、予約の登録まで行う姿が示されています。通話相手の発言をきっかけに、社内のシステムへ書き込める範囲を、誰の資格で、どこまで許すかを、文字起こしの検討とは別に決める必要があります。
もう一つは声の複製です。読み上げモデルは短い音声からの複製に加え、30分の録音から話者の個性まで再現する仕組みを持つと公式は説明しています。社員や起用した話し手の声を使う場合、本人の同意の範囲、録音の保管、契約が終わったときの削除を書面で決めておきます。声は顔と同じく、本人に結びつく情報として扱うのが安全です。
費用の増え方と、止め方・乗り換え方
APIの費用は録音の分数に比例して増えます。単価は小さくても、コールセンターの全通話や全社の会議を対象にすると、月の分数は大きくなります。地域を指定すれば1.1倍、音声エージェントのAPIは文字起こしとは別の単価です。対象の業務を広げる前に、月の分数の見込みと上限を決めることが、費用の管理の出発点になります。公式によれば、利用の上限や月の割り当ては作業区画ごとに設定でき、その区画の全ての鍵で共有されます。
止め方は、細かい順に用意しておきます。特定の仕組みの鍵を無効にする、作業区画の上限を下げる、組織全体で利用を止める、の三段階です。乗り換え方として見落とされがちなのが、モデルの呼び方です。別名で呼ぶと、指し先が新しい版に切り替わったときに精度や挙動が変わります。本番では版を固定した名前で呼び、切り替えは評価用の音声で測ってから行うと、知らないうちの変化を防げます。
やめるときは、ファイル保管の機能に残した録音の削除、参照用の音声や複製した声の削除、ゼロ保持や学習除外の設定の記録の保管を、契約の終了前に済ませます。文字起こしの結果は自社の側に残るため、エンジンを替えても議事録や通話の記録そのものは失われません。乗り換えの際は、新旧のエンジンで同じ評価用の音声を通し、業務の誤りの差を記録に残してから切り替えます。
よくある質問
欧州の受付先を選べば、個人情報の越境の問題はなくなりますか?
なくなりません。欧州の受付先は処理の場所を欧州に決めるもので、日本から見れば外国にある事業者に音声を渡すことに変わりはありません。管理用のデータが地域外で扱われることもあると公式は書いています。委託としての整理や本人への説明は、法務と相談して決めてください。
第3世代を今すぐ本番に使ってよいですか?
公式のモデル一覧では公開プレビューの段階です。まずは評価用の音声での比較と、影響の小さい業務での試行にとどめ、正式提供の告知と、その時点の仕様・料金・保持の条件を確かめてから本番へ広げるのが安全です。第2世代を使っている場合は、提供の終了の予定日から逆算して移行の計画を立てます。
日本語の読み上げにも使えますか?
公式の言語一覧では、読み上げは日本語に対応し、既定の声は日本語で1つ用意されています。ただし、評価の多くは英語と欧州の言語で示されています。音声エージェントで使う場合は、自社の応対文を読み上げさせ、数字や固有名詞の読み方を人が聞いて確かめてください。
まとめ
Voxtral の第3世代は、文字起こし・読み上げ・音声エージェントをそろえ、欧州・米国の受付先と自社の環境という選択肢を示しました。ただし、モデルは公開プレビューの段階で、第3世代の重みの公開は確かめられず、APIの音声は既定で30日残ります。選ぶ順番は、音声をどこで処理して何日残すかを決め、自社の録音で業務の誤りを測り、話者や決定事項を人が直す範囲を決めることです。欧州のAPI、自社運用、既存のクラウドのどれを選ぶにしても、判定と確定を人の仕事として残せる形を選ぶことが、音声という個人に結びつく記録を預ける側の責任になります。
※本記事にはAIが活用されています。編集者が確認・編集し、可能な限り正確で最新の情報を提供するよう努めておりますが、情報の完全性、正確性、最新性、有用性等について保証するものではありません。本記事の内容に基づいて行動を取る場合は、読者ご自身の責任で行っていただくようお願いいたします。
うちの業務、AIで何が自動化できる?
「AIで何ができるかは分かったが、自社の業務のどこに使えるのかが分からない」という段階の方へ。30業務の判定と5つの実務例から、最初に自動化する1業務を選ぶための無料ガイドです。
