Mistral AI、音声認識モデル「Voxtral」の新版を発表　高速文字起こしを実現

Mistral AIが、同社の音声認識（音声文字起こし）モデル「Voxtral」の新版を公式ブログで発表した。タイトルの「transcribes at the speed of sound（音速で文字起こしする）」という表現が示す通り、処理速度の向上を前面に押し出した内容となっている。

Voxtralとは

VoxtralはMistral AIが開発する音声認識モデルで、音声データをテキストへと変換する文字起こし（トランスクリプション）機能を提供する。オープンなAIエコシステムの拡充を掲げるMistral AIは、テキスト生成モデルに加えて音声領域のモデルもラインナップに加え、マルチモーダル対応を強化してきた。

高速化がアピールポイント

今回の発表では、既存モデルからの改良点として処理速度の高速化が強調されている。文字起こし処理の高速化は、会議の議事録作成やコールセンターの通話記録、動画字幕生成といった実務的な用途において、リアルタイム性やコスト効率の面で大きな利点となる。具体的なベンチマーク数値や対応言語、APIの提供形態などの詳細は公式ブログで順次公開されるとみられ、続報が待たれる。