海外の反応
2026年10月21日
【海外の反応】Mistral新音声AI「Voxtral 3」、クローズド化に賛否
AI企業Mistralが新しい音声対話モデル「Voxtral 3」を発表した。前作Voxtralがオープンウェイトで公開されていたのに対し、今回はMistralのEUホスティングAPIか企業向けセルフデプロイでのみ利用できるクローズドモデルとなっている。これを受けてHacker Newsでは、非公開化への不満の声が相次ぐ一方、Qwen ASR/TTSやKyutaiのPocketTTS、NVIDIAのParakeet、Kokoroといった代替のローカル音声モデルを薦める声も多く挙がった。また音声認識の進歩を踏まえたYouTube自動字幕の精度への疑問や、使った言語によってAIの声にアクセントが移る現象なども話題になった。
Voxtral 3(Mistralが発表した新しい音声AIモデル)
出典: mistral.ai / 元記事はこちら
4
海外の名無しさん
2026-10-20 16:27
残念ながらクローズドモデル。TTS/STTがローカル運用には向いていないという流れがまた続いている。
23
海外の名無しさん
2026-10-20 17:04
前のバージョンと違ってオープンじゃないのは残念。ただQwen ASRとQwenTTSはかなり良くて、サイズもそこまで大きくない。あとkyutai-labsのpocket-ttsも良かった(対応言語は少ないけど)。
25
海外の名無しさん
2026-10-20 16:37
今の時点でローカルで動かすならどんな選択肢がある? この分野のローカルモデルでかなりいい結果が出てるんだけど。
28
海外の名無しさん
2026-10-20 16:34
「MistralのEUホスティングAPI経由、またはセルフデプロイで利用可能」ってどういう意味?
5
海外の名無しさん
2026-10-20 17:33
フランス語を読んだ後、エージェントがフランス語なまりで話し始めるのが地味に面白い笑
30
海外の名無しさん
2026-10-20 17:39
それって、英語なまりでフランス語を話すってこと?
6
海外の名無しさん
2026-10-20 17:26
音声認識の進歩を考えると、YouTubeの字幕が動画の内容とほとんど合ってないのはなぜなんだろう。Googleならこのくらいのタスク、ちゃんとできそうなものだけど。
31
海外の名無しさん
2026-10-20 17:35
規模の問題が大きい。YouTubeには毎分500時間分の動画がアップロードされてる。Googleでさえ、その全部に最強モデルを回す余裕はない。
44
海外の名無しさん
2026-10-20 17:40
再生数が多い動画の分だけやればいいのでは。
45
海外の名無しさん
2026-10-20 17:44
自分もそう思ってた。でも動画を好きなだけ多言語にAI吹き替えできる機能もあるよね?
7
海外の名無しさん
2026-10-20 16:49
個人利用でローカルに置ける小型モデルが早く出てほしい。音声データを外に送りたくないので。とはいえ音声機能が付くことで、すでに優秀な生成AIの使い勝手は劇的に上がるはず!
34
海外の名無しさん
2026-10-20 17:19
このリーダーボードを見ておくといい(Hugging Faceのopen_asr_leaderboard)。
8
海外の名無しさん
2026-10-20 16:45
クローズドモデルと聞いた時点で興味が失せる。クローズドのSTT/TTSにはオープンモデルより優秀なものがいくらでもあるから、オープンじゃない限りこれを使うことはなさそう。
35
海外の名無しさん
2026-10-20 16:49
これの本当の肝はSTT/TTS自体(それも結構良さそうだけど)じゃなくて、会話のテキストに対してリアルタイムで処理をする推論モデルを統合している点だと思う。あとツール呼び出しの遅延を隠す仕組みも。
10
海外の名無しさん
2026-10-20 17:35
自分のローカルHermes環境で試すのが楽しみ。会話モダリティの弱さだけが、自分をClaudeアプリに戻らせる理由になってた。
12
海外の名無しさん
2026-10-20 16:50
最近のASRモデルがネイティブでコンテキストバイアス機能を持つようになってきたのはいいね。十分な量があるなら自前でホストしてバイアスも自分でやると思うけど、カスタムソリューションを出すには十分な出来。
14
海外の名無しさん
2026-10-20 16:38
あれ、新しいモデルをリリースしたの、それともVoxtralのページを変えただけ? Voxtral Mini 3BはHandyで使うとかなり強い!
15
海外の名無しさん
2026-10-20 16:51
STTモデルで自分が気にしてるのは、認識精度(WER)・価格・速度・対応言語の4つ。
16
海外の名無しさん
2026-10-20 17:18
声が「改善された」として挙げられてるサンプルがあまり良くない。バージョン1は本物の人間っぽかったのに、今回のはいかにもなAIっぽい声になってる。
18
海外の名無しさん
2026-10-20 16:40
もう一つ厳しい質問。この会話はどれくらいリアルタイムなんだろう。応答間のラグがゼロに見えるものを見せてきてるけど。
22
海外の名無しさん
2026-10-20 17:52
これは昔、自分用に作ったツール(subfixer)。
24
海外の名無しさん
2026-10-20 17:45
今まで聴いた中で一番音が良いローカルTTSエンジンはKokoro。最近のスマホでリアルタイムに動かせるくらい軽くて、自分はPDFやEPUBをオーディオブック代わりに聴くのに使ってる。
26
海外の名無しさん
2026-10-20 17:02
面白いことに、GradiumがちょうどいろんなデバイスでローカルTTSが動くのをリリースしたばかり。
27
海外の名無しさん
2026-10-20 16:35
個人的にはBreezeもかなりいいと思う。
29
海外の名無しさん
2026-10-20 16:43
うわ、これホームアシスタントに使えたら面白かったのに。
32
海外の名無しさん
2026-10-20 17:51
何か新しい安価なマルチモーダルモデルを使ってるんじゃないかと思う。聞き取りにくい音声の部分を、画面に映ってる別の出来事についての無関係なテキストで埋めてるのを何度か見た。
36
海外の名無しさん
2026-10-20 17:28
新しいバージョンのPocketTTSはどうやら検閲が入っているらしい(GitHubのissueより)。
46
海外の名無しさん
2026-10-20 17:36
うわ、それは知らなかった。変な判断だな…
38
海外の名無しさん
2026-10-20 17:12
Parakeetがいい。自分の用途だと認識精度はWhisperとほぼ同等だけど、速度は10倍以上速い。
48
海外の名無しさん
2026-10-20 17:50
自分もParakeetに一票。日本語チューニング版で良い結果が出てて、whisper-kotobaを完全に上回った。
39
海外の名無しさん
2026-10-20 16:47
話者分離(diarization)ができるローカルモデルを探してる、何かおすすめある? 今OpenMOSS-TeamのMOSS-Transcribe-Diarizeを試そうとタブで開いてるところ。参考までにHugging Faceのopen_asr_leaderboardも。
40
海外の名無しさん
2026-10-20 16:44
ここ数ヶ月、いろんなParakeetモデルをSTTに使ってるけど、ローカルでの性能にはかなり感心してる。
41
海外の名無しさん
2026-10-20 16:36
オンプレ展開やモデルへのアクセスには営業に連絡する必要がある。もしオープンウェイトなら、Hugging Faceに上がっていて投稿にリンクが貼られてるはず。
42
海外の名無しさん
2026-10-20 17:41
ChatGPTでも同じことに気づいた。最初に中国語で話しかけてから英語で何か言わせると、中国語なまりの英語になる。
43
海外の名無しさん
2026-10-20 17:52
とはいえGoogleには、大量の動画にひどいTTS音声を生成するお金はあるんだよね。しかも外国語を知ってる人がいるとは想定してないのか、警告もなく自動適用してくる。
47
海外の名無しさん
2026-10-20 17:27
それは興味深い。キーボード用? 正直ちょっと急ぎすぎたかもね。Parakeetみたいなものは十分速く動くし、認識精度(WER)もずっと低い(良い)ように見える。
49
海外の名無しさん
2026-10-20 17:41
それは理にかなってる。例えば再生回数が100万を超えた動画だけ字幕を作り直す、とか。
52
海外の名無しさん
2026-10-20 17:42
もしくは意地悪な見方をすれば、追加料金を払ったクリエイターの動画だけ、とか。
50
海外の名無しさん
2026-10-20 17:52
オプトインかオプトアウトかの違い。
53
海外の名無しさん
2026-10-20 17:53
YouTubeのビジネスモデルはクリエイターの成果物をマネタイズすること。100万回再生されて広告収益を生む動画を作ること自体が、すでに料金を払っているようなもの。
この話題の背景と論点
音声AIの分野では近年、モデルを無償公開する「オープンウェイト」路線と、API経由でのみ使わせる「クローズド」路線がせめぎ合っている。Mistralはこれまで一部モデルをオープンにする姿勢で評価されてきただけに、Voxtral 3でのクローズド化は、性能そのものより開発方針の転換に対する反発として受け止められている面が大きい。一方でスレッド内では、STT/TTS単体の精度よりも、会話内容を踏まえてリアルタイムに応答を組み立てる推論モデルとの統合こそが本製品の価値だ、という指摘もあり、オープンかどうかだけでは評価しきれない複雑さも見える。またKyutaiの「PocketTTS」が最新版で検閲的な制限を加えたという指摘は、オープンモデルであっても将来の仕様変更やガバナンス面のリスクから自由ではないことを示しており、単純な二項対立では捉えきれない論点として読み取れる。
※本記事は海外掲示板 Hacker News のスレッド「Voxtral 3」から抜粋し、編集部で日本語に意訳したものです。訳文の責任は当サイトにあります。
この記事のリアクション
まだコメントはありません。