Le fait
Le 20 octobre 2026, Mistral AI a lancé Voxtral 3, une famille de modèles de parole accompagnée d’un kit de développement pour agents vocaux. L’objectif : faire tenir dans un seul flux en temps réel l’écoute, le raisonnement, l’appel d’outils et la réponse parlée, pour les centres de contact, les services d’assistance ou les copilotes mains libres.
Les briques
- Voxtral Small Transcribe 3 : transcription dans plus de 50 langues, dont les 24 langues officielles de l’UE, avec identification des locuteurs, biais contextuel sur un vocabulaire métier et détection de fin de tour de parole. Mistral affirme qu’il dépasse Whisper, Scribe v2 et Gemini 3.5 Transcribe sur ses tests. La version Mini compte 4 milliards de paramètres.
- Voxtral Realtime Transcribe 3 : transcription en temps réel sous 500 millisecondes de latence.
- Voxtral Mini TTS 3 : voix de synthèse qui adapte émotion, rythme et emphase au contexte, dans plus de 35 langues et 50 dialectes ; une option « Pro Voice » reproduit une voix à partir de 30 minutes d’enregistrement.
- Kit d’agents vocaux, construit sur LiveKit : chaque tour de parole se boucle en moins d’une seconde selon Mistral, l’agent se tait quand l’appelant l’interrompt, passe des appels en SIP ou fonctionne dans le navigateur en WebRTC.
Tarifs publics
De 0,0035 dollar la minute pour la transcription par lots à 0,008 dollar en temps réel ; 13 dollars le million de caractères pour la synthèse ; 0,04 dollar la minute pour l’agent vocal complet avec Mistral Small 4 comme moteur de raisonnement (0,08 avec un autre modèle). Disponible sur l’API de Mistral (points d’accès européen, américain et mondial) ou en déploiement sur site.
Lecture Neurone21
Pour une entreprise française, l’argument est autant juridique que technique : des conversations clients traitées sur une API hébergée en Europe ou sur ses propres serveurs, sans conservation d’audio si on le choisit. Les comparaisons de qualité proviennent de Mistral et de jeux de tests qu’il a choisis, souvent jugés par un autre modèle. Le clonage de voix en 30 minutes impose aussi de recueillir et documenter le consentement des personnes enregistrées.