Voxtral 3の料金:2026年のMistral音声モデルは1分あたりいくらか

TL;DR

Voxtral 3の料金は音声の分単位です。録音の文字起こしは1分0.0035ドル、リアルタイム文字起こしは0.008ドル、音声は100万文字あたり13ドル、Mistral Small 4を使うオールインワンの音声エージェントは1分0.04ドル(より大きなモデルでは0.08ドル)です。月20,000分の通話を受けるサポート窓口なら、エージェントは800ドルになります。

多くの記事が触れない数字があります。その1分0.04ドルは、部品を別々に買った場合の約2.7倍、つまりおよそ0.015ドルです。差額は、自分で作ることになるターン制御、伝送、ツール連携の費用です。ほとんどのチームにとっては妥当な取引です。より大きな落とし穴は電話です。SIP通話はエンタープライズ限定で定価がなく、Voxtralの電話エージェントは発信者を人にトランスファーできません。

eeselは長年、実際のサポートキューにAIエージェントを導入してきましたが、請求額を決めるのは分単価ではありません。重要なのは、エージェントがその通話のうちどれだけに実際に答えられるかです。BtoBサプライヤーのBeautekは、平日の営業時間は電話に対応し、ウェブサイトの質問は6,700ページと資料をもとに、eeselが昼夜ドイツ語で対応しています。

Voxtral 3はいくらですか?

Voxtral 3は用途に応じて1分0.0035ドルから0.08ドルで、音声だけが必要な場合は100万文字あたり13ドルです。Mistralは2026年10月20日にこのファミリーを公開し、すべてのモデルはまだパブリックプレビューです。以下の料金はすべて、10月28日にMistral自身のページで再確認しました。

出典:Voxtral 3のリリース記事、およびMini Transcribe 3とTTS 3のモデルカード。

課金単位については、つまずきやすい点が3つあります。文字起こしは処理時間ではなく音声の分数で課金されるため、2時間の録音はAPIが10秒で処理しても2分かかっても120分です。音声は、再生した音声の秒数ではなく、送信したテキストの文字数で課金されます。そしてエージェントは会話の分数で課金され、発信者が話す時間、エージェントが話す時間、その間の沈黙がすべて含まれます。

私は2年間SEOに携わってきましたが、「voxtral 3 pricing」の検索の裏にあるのは、ほとんどの場合「分単価はいくらか」ではありません。分単価はリリースページにあり、チャットモデルについてはMistral AIの料金ガイドで扱っています。知りたいのは自社の通話量での月額なので、この記事の残りでそれを計算します。

Voxtral 3の料金は実際のサポート窓口で何を意味しますか?

ある想定の購入者、つまり月4,000件、1件5分の通話(20,000分)を受けるサポート窓口の場合、請求額は70ドルから1,600ドルの範囲です。どちらの端になるかは、すでに人が受けている通話を文字起こしするのか、AIに通話を受けさせるのかで決まります。

この表の上と下の差がすべてを物語っています。聞くのは安く、考えて話すことが請求額になります。コールセンターの品質保証のために検索できる文字起こしだけが欲しいなら、Voxtralの月額はチームのランチ1回分より安く済みます。AIコールセンターエージェントに電話を取らせたいなら、その10倍から20倍を見込んでください。

自社の通話量でどうなるかは、ここに入力して確認できます。各料金はMistralまたは競合ベンダーの定価で、「自分で構築」の行は次のセクションで説明する前提を使っています。

1分0.04ドルの音声エージェントでは実際に何が手に入りますか?

1分0.04ドルで、パイプライン全体が手に入ります。リアルタイム文字起こし、回答を書くMistral Small 4、それを話すVoxtralの音声、その間をつなぐ音声伝送です。Mistralの音声エージェントのドキュメントは、これを「runs the whole pipeline for you」するSDKと説明しており、LiveKit上に構築され、割り込み、発話終了の検出、ツール呼び出しが処理されます。

同じ料金表から、これらの部品をそれぞれ別々に購入することもできます。その場合の会話1分のコストは次のとおりです。

• リアルタイム文字起こし: 0.008ドル。発信者の音声を1分間ずっとストリーミングするためです。
• 音声: 約0.005ドル。Cartesiaの料金FAQでは、1分の発話を750〜800文字としています。エージェントが通話の半分を話すなら400文字で、100万文字あたり13ドルで計算します。
• モデル: 約0.001ドル。Mistral Small 4は入力100万トークンあたり0.15ドル、出力100万トークンあたり0.60ドルです。1分あたり4ターンで、各ターンが指示と履歴で2,000トークンを送り、60トークンが返ると仮定しました。

合計でおよそ1分0.015ドルです。発話の割合とトークン数は私の前提でありMistralの数字ではないので、上の計算ツールで動かしてみてください。それでも、モデルのコストを2倍にしても、部品の合計はバンドルの半分を大きく下回ります。

つまりバンドルは部品の約2.7倍で、およそ0.025ドルの差額が間をつなぐ仕組みの費用です。月20,000分なら約500ドルになります。正直な意見として、ほとんどのサポートチームにとっては安い金額です。音声エージェントの難しい部分は、まさにSDKがやってくれること、つまり発信者が話し終えたかの判断、割り込みの許可、ツールの実行中の沈黙の埋め合わせです。ドキュメントには「fillers」まで付属しており、「Checking your order…」のような短い音声クリップを、検索の実行中に再生できます。

自分で構築する意味があるのは2つの場合です。すでに自前のリアルタイム音声スタックを運用している場合と、月およそ100,000分を超えて、差額がエンジニアの時間に見合う場合です。Mistral自身のドキュメントも、その道を選ぶ理由として「full control over every stage」を挙げています。どちらにも当てはまらないなら、バンドルを買いましょう。

Voxtral 3の料金は他の音声エージェントと比べてどうですか?

定価ベースでは、Voxtral 3の1分0.04ドルのエージェントは、主要ベンダーのバンドル型音声エージェントとして私が見つけた中で最安です。同じ月20,000分で、主な競合は次のとおりです。

最安の行を選ぶ前に、2つの注意点があります。1つ目は、GoogleのGemini 3.8 Liveは生の音声ならさらに安い(入力1分0.005ドル、出力0.018ドル)ものの、これはモデルでありバンドル型のエージェントではないため、オーケストレーションは自分で構築することになります。2つ目は、その表の競合はすべて、セルフサーブのプランで電話番号をエージェントに向けられることです。Voxtralはまだできません。APIではなく完全なプラットフォームを探すなら、おすすめのAI音声エージェントのまとめのほうが適しています。

それぞれの強みも含めた詳しい比較は、Voxtral 3の代替サービスの記事にあります。以前の世代については、GPT Realtime miniの料金とElevenLabsの料金をご覧ください。

Voxtral 3の文字起こしは最安ですか?

実はそうでもありません。1分0.0035ドルのVoxtral Miniは、他の大手文字起こしAPIと横並びなので、価格だけでは決まりません。

5社が0.1セント以内に収まっているので、決め手は自社の音声での精度です。Mistral自身の45言語テストでは、Voxtral Smallの単語誤り率は4.0%で、Microsoft AI Transcribe 2と並んでいます。これはベンダーが実施したグラフなので、自社の通話のサンプルで再テストすることをおすすめします。私のVoxtral 3のレビューでは、Voxtralが首位でない部分も含めて各ベンチマークを見ています。

試す価値のある料金の細かい点があります。MistralのバッチAPIは/v1/audio/transcriptionsを受け付けており、Mistralの料金ページはバッチ処理で「reduces the price by 50%」としています。Miniの0.0035ドルはすでにバッチ料金と表示されており、50%がさらに上乗せで適用されるかはMistralのページに書かれていません。予算に組み込む前に、小さなバッチジョブを実行して利用状況ダッシュボードで確認してください。

音声はより明確な勝ちです。100万文字あたり13ドルのVoxtral TTSは、Deepgram Aura-2(30ドル)、GoogleのChirp 3: HD(30ドル)、ElevenLabs Flash(40ドル)より安いです。Speechmaticsは11ドル、AssemblyAIは15ドルなので、安価な側にいるのはVoxtralだけではありません。音声品質が決め手なら、Gemini 3.8 Flash TTSの料金の記事でGoogle側を扱っています。

Voxtral 3にはどんな隠れたコストがありますか?

隠れたコストは手数料ではなく、別の形で支払うことになる穴です。どの請求になるのか、そして価格がまったくないものはどれかの地図がこちらです。

電話回線には価格がありません。Telephonyは「available to enterprise customers, and it isn't self-serve」です。自社の番号とSIPシステムを持ち込み、Mistralのチームが一緒に設定します。その契約を結ぶまで、0.04ドルの料金は自社のアプリやブラウザ内の音声にしか適用されません。電話番号がそもそもの目的なら、電話サポートに最適なAIのツールは今すぐ利用できます。

**電話エージェントは引き継げません。**サポートで重要なのはこれです。Mistralの電話のドキュメントは、エージェントが「can't transfer the call to a person」とはっきり述べており、対応するのは着信のみです。エージェントが助けられなかった発信者全員に、チームからの折り返しが必要になるため、実際のコストにはその折り返しキューが含まれます。ドキュメントでは、範囲外のリクエストのときに何と言うかをエージェントに指示することを勧めています。引き継ぎが折り返しの約束になるなら、優れたAIエージェントのハンドオフの設計はさらに重要です。

**ツールは追加料金がかかることがあります。**Mistralの料金ページには「tool APIs are priced per call」とあります。エージェントが通話のたびにウェブ検索やコネクタを実行するなら、それらの料金も確認してください。クライアント側のツールは、自社のコードが動かないため電話では失敗します。電話エージェントに必要なものは、サーバー側のツールでなければなりません。

**プレビューの価格は動くことがあります。**Voxtral 3のモデルはすべてPublic Previewと表示されています。あるHacker Newsの読者は、Miniの料金がバージョン間ですでに上がったことに気づきました。

"Hmm..the price has increased from 0.003 to 0.0035 dollars. That's 16%. Voxtral Mini ."

suvirb, Hacker News

Mistralの現在のページにはVoxtral 3の料金しか載っていないため、古い数字はその読者のものとして扱ってください。いずれにせよ教訓は同じです。プレビュー価格には余裕を持って予算を組みましょう。

**移行にはエンジニアリングの時間がかかります。**Voxtral 2を使っている場合、移行ガイドに互換性のない変更点がまとめられています。単語タイムスタンプは廃止され(セグメントタイムスタンプのみ)、リアルタイムセッションは最初の音声チャンクで設定が固定され、話者分離されたセグメントは重なる場合があります。どれも課金対象ではありませんが、誰かがコードを書き直す必要があります。

**セルフホスティングは営業との相談です。**Voxtral 1と2はオープンウェイトで提供されました。Voxtral 3はそうではなく(オープンモデルについてはMistralの代替サービスのリストで扱っています)、スタックをオンプレミスで動かすにはチームに連絡するようMistralは案内しています。EUのデータ所在地がMistralを検討する理由なら、API自体は欧州、米国、グローバルのエンドポイントでホストされており、法務チームが進めているEU AI法への対応には十分かもしれません。

Voxtral 3はカスタマーサポートで料金に見合いますか?

文字起こしなら、間違いなく見合います。月20,000分で70ドルから80ドルなら、QA、個人情報のマスキング、検索のためにすべての通話を文字起こししない理由はありません。

通話に応答するAIとしては、価格は良く、製品はまだ初期段階です。月20,000分で800ドルは、定価ではバンドル型の競合すべてを下回ります。しかし、エンタープライズ契約なしでは電話番号に載せられず、発信者を転送できず、しかもプレビューです。Hacker Newsのリリーススレッドで、ある読者がAI電話エージェントの基準をうまく言い表していました。

"If a call could be answered without waiting in a queue for 30 minutes by a competent AI agent, I think I would prefer that."

mrinterweb, Hacker News

ここでの重要な言葉は「competent」で、どの音声モデルもそれを提供してはくれません。Voxtralはエージェントに、1分0.04ドルで耳と声を与えます。正しく答えられるかどうかは、自社の商品、注文、ポリシーについて何を知っているかで決まり、それは電話でもチャットでも同じ問題です。この請求額は、他の音声APIではなく、AIエージェントと人間のコスト比較や現在のコールセンターROIの試算と比べるのがよいでしょう。今のチケット1件あたりのコストが最も公平な基準になります。

コールセンターの自動化を検討しているなら、私のおすすめの順序は、まず回答を安くテストできる文字のチャネルを自動化し、次に同じ知識に声を与えることです。Mistral自身の電話のドキュメントも、時間外対応を主な用途として挙げています。時間外サポートの多くは、分課金の電話エージェントよりずっと安く、チャットとメールで対応できます。

音声の裏にある回答のために、eeselを試す

Voxtralはインフラで、eeselは従業員です。eeselのAIヘルプデスクのチームメイトは、すでにお使いのZendeskやFreshdeskなどのヘルプデスクに参加し、過去のチケットとヘルプセンターから学習し、顧客に返信する前に実際の会話でテストされます。

これが、音声エージェントにまだ必要な部分です。ドイツのスタジオ機器サプライヤーであるBeautekは、平日の8:30から16:30まで電話に対応しています。eeselはウェブサイト上の商品や注文の質問に昼夜ドイツ語で答え、1か月でチームのために110件のZendeskチケットを下書きし、20件のチャットを担当者が引き継ぐチケットに変えました。smavaは、2つのブランドで月27,000件のドイツ語Zendeskチケットに使っています。

サポートキューが増えてVoxtral 3の料金を調べているなら、まず文字のキューでeeselを試してください。無料で始められ、エージェントに答えを声に出して言わせるために分単位で支払う前に、どの質問に答えられるかが分かります。eeselを試す。