Voxtral 3 : Mistral renouvelle ses modèles vocaux

Mistral AI a présenté le 20 octobre Voxtral 3, une nouvelle famille de modèles dédiés à la voix. La start-up française y regroupe la transcription, la transcription en temps réel et la synthèse vocale, accompagnées d'un kit de développement pour construire des agents vocaux. Une offre qui vise clairement les centres d'appels, les assistants téléphoniques et les applications de prise de notes.

Quatre modèles pour écouter et parler

Selon la page d'annonce de Mistral, la gamme Voxtral 3 comprend :

• Voxtral Small Transcribe 3, présenté comme le modèle de transcription le plus précis de la famille, facturé 0,004 dollar la minute ;
• Voxtral Mini Transcribe 3, un modèle de 4 milliards de paramètres pour la transcription par lots, à 0,0035 dollar la minute ;
• Voxtral Mini Transcribe Realtime 3, conçu pour le temps réel avec une latence annoncée sous les 500 millisecondes et une détection de fin de tour de parole, à 0,008 dollar la minute ;
• Voxtral Mini TTS 3, un modèle de synthèse vocale facturé 13 dollars par million de caractères.

Les modèles de transcription couvrent plus de 50 langues, dont les 24 langues officielles de l'Union européenne. Ils gèrent la diarisation, c'est-à-dire l'identification de qui parle et quand, ainsi que le « context biasing », qui permet de fournir des termes clés ou un contexte libre pour améliorer la reconnaissance du vocabulaire métier sans réentraînement. La synthèse vocale prend en charge plus de 35 langues, le clonage de voix et des consignes sur l'émotion, le rythme ou l'insistance.

Un SDK pour les agents vocaux

Mistral accompagne ces modèles d'un SDK pour agents vocaux construit sur LiveKit. Il enchaîne écoute, raisonnement et réponse parlée dans un seul flux, avec prise en charge de la téléphonie SIP et du WebRTC, de l'appel de fonctions, de la recherche web et de la recherche dans les données de l'entreprise. Chaque étape reposant sur un modèle distinct, il est possible de changer de modèle de langage, de voix ou de langue sans réécrire l'agent. L'éditeur annonce un tour de conversation complet en moins d'une seconde.

Une API d'agent vocal clé en main est également proposée : 0,04 dollar la minute avec Mistral Small 4 pour le raisonnement, 0,08 dollar avec un modèle plus grand. Mistral, qui a récemment dévoilé Mistral Large 4, étend ainsi sa gamme au-delà du texte.

Des performances à confirmer

Mistral publie plusieurs comparaisons à son avantage. Sur le jeu de test FLEURS, en moyenne sur 45 langues, Voxtral Small Transcribe 3 afficherait un taux d'erreur de 4,1 %, contre 16 % pour Whisper large-v3 d'OpenAI. L'entreprise revendique aussi de meilleurs résultats en diarisation que Gemini 3.5 Transcribe. Une partie de ces évaluations, notamment pour la synthèse vocale, sont internes : elles devront être confirmées par des mesures indépendantes.

Disponibilité

Les modèles sont accessibles via l'API de Mistral, hébergée dans l'Union européenne, ainsi que via des points d'accès aux États-Unis et à l'international, et peuvent être testés dans le Studio de l'éditeur. Un déploiement sur site ou en cloud privé est possible sur demande. La page d'annonce ne précise pas si des poids ouverts seront publiés pour cette génération, contrairement à la première version de Voxtral, diffusée en open source en 2025.