Voxtral 3 : le kit d'agents vocaux IA de Mistral

Voxtral 3 est une famille de modèles vocaux de Mistral, accompagnée d’un SDK pour créer des agents qui écoutent, réfléchissent et répondent à voix haute en temps réel. Annoncée le 20 octobre 2026, elle transcrit plus de 50 langues et parle dans plus de 35. Elle s’utilise via l’API de Mistral hébergée en Europe ou sur ta propre infrastructure.

En bref

Transcription dans plus de 50 langues, dont les 24 langues officielles de l’UE
Synthèse vocale en plus de 35 langues et 50 dialectes, avec émotion, débit et accentuation ajustés
Un SDK bâti sur LiveKit relie écoute, raisonnement, appel d’outils et voix
API de Mistral (endpoints européens, américains ou mondiaux) ou déploiement sur sa propre infrastructure
Transcription à partir de 0,0035 dollar la minute, voix à 13 dollars le million de caractères

Voxtral 3 : de quoi s’agit-il ?

Un agent vocal fiable doit faire quatre choses à la fois : écouter correctement malgré les accents, les voix multiples et les interruptions, comprendre ce que veut l’utilisateur, parler avec naturel, et agir en plusieurs étapes dans des systèmes connectés. Mistral reconnaît que réussir ces quatre points ensemble, en temps réel, reste difficile.

Voxtral 3 est sa réponse : des modèles de transcription (speech-to-text), un modèle de synthèse vocale (text-to-speech) et un SDK, c’est-à-dire un kit de développement, qui assemble le tout dans un seul flux continu. Mistral cite comme usages les centres de contact, les guichets de service, les assistants virtuels et les copilotes utilisables sans les mains.

Transcrire de l’audio en texte avec Voxtral 3

La transcription repose sur plusieurs modèles. Voxtral Small Transcribe 3 vise la meilleure précision, Voxtral Mini Transcribe 3 la rapidité, et Voxtral Mini Transcribe Realtime 3 le direct, avec une latence sous 500 millisecondes dans plus de 35 langues. La liste de langues passe à 50 pour la transcription différée, dont les 24 langues officielles de l’UE et plusieurs langues asiatiques et indiennes peu dotées en données.

Les modèles savent dire qui a parlé (la diarisation) et acceptent une liste de mots-clés ou un texte libre pour mieux reconnaître des termes techniques, sans réentraînement. Le modèle temps réel détecte aussi la fin de tour de parole, en combinant des indices sonores et le sens de la phrase, pour que l’agent ne coupe pas la parole à l’interlocuteur.

Voxtral Small Transcribe 3 : précision maximale, diarisation et biais de contexte
Voxtral Mini Transcribe 3 : version plus légère, en différé
Voxtral Mini Transcribe Realtime 3 : transcription en direct pour les agents

Une synthèse vocale qui adapte l’émotion

Voxtral Mini TTS 3, aussi appelé Voxtral Speech 3 dans l’annonce, existe en mode différé et en temps réel. Ses voix ajustent émotion, rythme et accentuation selon le contexte de la conversation, et l’on peut aussi les piloter par instruction. Mistral annonce plus de 35 langues et 50 dialectes, avec des usages locaux pris en compte : formats de dates, d’heures, de devises ou d’adresses.

Les voix prêtes à l’emploi n’existent que dans 18 langues, précise Frandroid : un agent peut donc comprendre des langues dans lesquelles il ne sait pas répondre. Pour les cas où le clonage simple ne suffit pas, l’option Pro Voice reproduit le caractère, la palette émotionnelle et le style d’un locuteur à partir de 30 minutes d’audio.

Créer un agent vocal avec le SDK Voxtral

Le SDK s’appuie sur LiveKit, une brique open source de communication audio en temps réel. Le modèle de transcription écoute, un modèle de langage généraliste comme Mistral Small raisonne et déclenche des actions, puis la synthèse vocale répond sur le ton de l’échange. Aucune étape n’attend la précédente : Mistral indique que chaque tour se termine en moins d’une seconde et que l’agent se tait quand l’appelant l’interrompt.

En cours d’appel, l’agent peut vérifier une identité, consulter une facture ou réserver un rendez-vous, grâce à l’appel de fonctions, à la recherche web et à la consultation de tes propres données. Il répond et passe des appels par SIP (le protocole de la téléphonie sur internet), fonctionne dans un navigateur ou une application par WebRTC, et se branche sur les logiciels de téléphonie et de centre de contact existants.

Chaque étape étant un modèle distinct, tu peux changer le modèle de langage, la voix ou la langue sans réécrire l’agent. Dans la démonstration de Mistral, un agent lit une lettre de médecin en français et prend rendez-vous chez un dermatologue pour une patiente anglophone.

Tarifs et disponibilité de Voxtral 3

Voxtral 3 est disponible depuis le 20 octobre 2026 via l’API de Mistral, sur des endpoints européens, américains ou mondiaux. Les agents vocaux, la transcription, la génération de voix et le clonage s’essaient dans les Playground du Studio de Mistral. Pour faire tourner l’ensemble sur ses serveurs ou dans un cloud privé, Mistral renvoie vers son équipe commerciale.

Le mode hébergé en Europe ou le déploiement maison permet de décider où l’audio est traité et si les conversations sont conservées. Mistral ne précise pas, dans son annonce, la licence des modèles ni la configuration matérielle nécessaire à l’auto-hébergement.

Voxtral Mini Transcribe 3 (différé) : 0,0035 dollar la minute
Voxtral Small Transcribe 3 : 0,0040 dollar la minute
Voxtral Mini Transcribe Realtime 3 : 0,008 dollar la minute
Voxtral Speech 3 (différé et temps réel) : 13 dollars le million de caractères

Que valent les comparatifs publiés ?

Sur la transcription, Mistral affirme que Voxtral Small Transcribe 3 dépasse Whisper, Scribe v2 et Gemini 3.5 Transcribe. Frandroid relève, sur le jeu de test public FLEURS (45 langues), environ 4 mots erronés sur 100, à égalité avec Microsoft AI Transcribe 2 et loin devant Whisper large-v3 (16 %).

Pour la voix, les comparaisons sont des évaluations internes notées par Gemini 3.8 Flash utilisé comme juge, et le test multilingue ne porte que sur 11 langues. Ces chiffres viennent donc de Mistral lui-même, sans vérification indépendante à ce stade.

Quelques repères

Diarisation : Technique qui découpe un enregistrement pour attribuer chaque passage à la personne qui parle. Elle permet de savoir qui a dit quoi dans une conversation à plusieurs.
Appel d’outils (tool calling) : Capacité d’un modèle de langage à déclencher des actions dans d’autres logiciels, comme consulter une base de données ou réserver un créneau, au lieu de seulement produire du texte.
Latence : Délai entre le moment où quelqu’un parle et celui où le système réagit. Plus elle est basse, plus l’échange paraît naturel.

Questions fréquentes

Voxtral 3 est-il gratuit ?

Non, Voxtral 3 est facturé à l’usage via l’API de Mistral : de 0,0035 à 0,008 dollar la minute pour la transcription et 13 dollars le million de caractères pour la voix. Les Playground du Studio permettent de tester les agents vocaux, la transcription et le clonage de voix.

Combien de langues Voxtral 3 gère-t-il ?

Voxtral 3 transcrit plus de 50 langues, dont les 24 langues officielles de l’UE, et parle dans plus de 35 langues et 50 dialectes. La transcription en direct couvre plus de 35 langues.

Peut-on installer Voxtral 3 sur ses propres serveurs ?

Oui, Mistral propose de déployer Voxtral 3 sur sa propre infrastructure ou dans un cloud privé, pour garder le contrôle de l’audio. Il faut pour cela contacter son équipe, et l’annonce ne donne pas de configuration minimale.

Comment créer un agent vocal avec Voxtral 3 ?

Il faut utiliser le SDK d’agent vocal de Voxtral 3, construit sur LiveKit. Il enchaîne transcription, modèle de langage, appel d’outils et synthèse vocale dans un seul flux, par téléphone (SIP) ou sur le web (WebRTC).

À retenir

Voxtral 3 assemble transcription, raisonnement, appel d’outils et voix dans un SDK unique, utilisable via l’API européenne de Mistral ou sur sa propre infrastructure. Les comparatifs de qualité vocale restent des évaluations internes de Mistral, et la licence des modèles n’est pas précisée dans l’annonce.