本日、Voxtral TTSをリリースします。これは、マルチリンガルな音声生成における最先端の性能を備えた、当社初のテキスト読み上げ（text-to-speech）モデルです。モデルは4Bパラメータと軽量で、Voxtralを活用したエージェントを、自然で信頼性が高く、そしてスケールしても費用対効果の高いものにします。

ハイライト。

1. 9つの主要言語で、現実的で感情表現豊かな話し方を実現し、多様な方言にも対応。

2. 初回のオーディオ再生までの待ち時間が非常に短い。

3. 新しい話者の声に簡単に適応可能。

4. こちらでテストできます： Mistral Studio。

5. エンタープライズ品質のテキスト読み上げで、重要な音声エージェントのワークフローを支えます。

自然な音声生成は、モデルが単にテキストを読み上げるだけでなく、それを正確に解釈できるかどうかにかかっています。ニュートラル、ハッピー、皮肉（sarcastic）などの文脈理解が、聞き手にとってその生成が正確に感じられるのか、それとも機械的に感じられるのかを左右します。当社のモデルは、文脈理解と話者モデリングの両方に優れています。つまり、特定の人物が自然に話す様子を捉えることができるのです。従来の「読み上げ」だけにとどまらず、自然な間（ポーズ）、リズム、イントネーション、そして感情表現の機微まで含めて話者のパーソナリティを捉えることで、声の適応をより深く実現します。コンパクトなサイズ、低コスト、低レイテンシーに加えて、適応も簡単なVoxtral TTSは、音声AIのスタックを自社で持ちたいと考えるエンタープライズに向けて、音声の完全なコントロールとカスタマイズを提供します。

オーディオは新しいUXです。会話や理解のための、音声でしか見つからない新しいインタラクションを作りましょう。今すぐAI Studioで、アメリカ英語、イギリス英語、フランス語の方言に対応したMistral Voicesを使って始めてください。

聞いて判断してみてください：違いは分かりますか？

当社のチームは、複数の方言を含めて何十もの言語を話します。文化的なニュアンスの重要性を理解しており、私たち自身の反映となるモデルを構築しました。音声生成は、自然に近いリズムや感情、さらにユーモアの使い方を通じて信頼を築きます。だからこそ、声のエミュレーションにおいては、信憑性と感情表現の豊かさに重点を置きました。

MargaretSanchitAngeleGustavoKhyathiNickYassirPatrick

オリジナルの声

Margaret

モデル挙動アーキテクト

英語（米国）

エミュレーション

プロンプト

わあ、もう！夏が待ちきれないよ。ここはきっとすごく暑くなるだろうし。リドで泳いで、チェリーパイを作るのが楽しみで仕方ない。

最先端のパフォーマンス。

語の誤り率（word-error-rate）や音声品質スコアといった自動指標は、多言語のテキスト読み上げ（text-to-speech）システムの「話し方の自然さ」を測定することができません。話し方が自然であることには、非常に繊細な要素があり、文化の違いや一般的な話し方のパターンに対する深い理解が必要です。したがって、母語話者による比較の人手評価が重要です。

音声エージェントにとって、レイテンシと品質は常にトレードオフの関係にあります。人手による評価では、Voxtral TTSがElevenLabs Flash v2.5よりも優れた自然さを達成している一方で、Time-to-First-Audio（TTFA）は同程度を維持しています。Voxtralはまた、ElevenLabs v3の品質と同等の水準で動作し、より生き生きとしたインタラクションのためのエモーション・ステアリングをうまくサポートします。

Voxtral TTSとElevenLabs v2.5 Flashを、ゼロショットのカスタム音声コンテキストで比較する人手評価を実施しました。9つの対応言語それぞれについて、ネイティブ方言の中で認知しやすい2つの音声を使用し、3名のアノテータが、自然さ、アクセントの忠実性、元の参照音声との音響的類似性について、各ペアごとにサイドバイサイドの嗜好テストを行いました。このゼロショットな多言語カスタム音声環境において、Voxtral TTSはv2.5 Flashとの差をさらに広げ、あらゆる音声へのVoxtral TTSの即時なカスタマイズ性を際立たせています。

ネイティブの話し声で。

大規模な音声データセットで学習されたVoxtral TTSは、グローバルな用途を見据えて構築されています。9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）で最先端の性能をサポートします。

このモデルは、参照をわずか3秒程度にしてもカスタム音声へ適応するように学習されており、単に声だけでなく、参照に表現されたのと同様の微妙なアクセント、語尾変化（イントネーションの揺れ）、イントネーション、さらには発話のぎこちなさ（ディスフルーエンシー）といったニュアンスも捉えられるようになっています。APIではいくつかのプリセット音声オプションを提供していますが、社内の音声ライブラリに拡張してユースケースに合わせることは簡単です。言語やアクセントにローカライズし、中立的にもより感情的にも、カジュアルにもフォーマルにもできます。また、より自然で会話的にも、よりロボット的にも調整可能です。

さらに、このモデルは明示的にそれ用に学習されていないにもかかわらず、ゼロショットのクロスリンガルな音声適応も示します。たとえば、このモデルはフランス語の音声プロンプトと英語のテキストから、英語の発話を生成できます。生成された発話は自然に聞こえつつ、提示された音声プロンプトのアクセントを取り込みます（この例では、生成された発話は自然なフランス訛りの英語になっています）。そのため、本モデルはカスケード型の音声から音声への翻訳システムを構築するのに役立ちます。