「表現力のギャップ」を埋める：MistralのVoxtral TTSが自己回帰とフローマッチングのハイブリッドアーキテクチャで多言語音声クローンを再定義

Mistral AIがVoxtral TTSを発表。約4Bパラメータの多言語テキスト読み上げモデルで、自己回帰生成とフローマッチングを組み合わせ、9言語でゼロショット音声クローンにおいてElevenLabs Flash v2.5に対して68.4%の勝率を達成。最短3秒の参照音声から自然な音声を生成し、単一H200で30以上の同時ユーザーをサブ600msレイテンシで処理。アーキテクチャ、DPOによる後訓練、ユースケースを詳述。