Mistral AI a présenté le 20 octobre 2026 Voxtral 3, une famille de modèles de transcription et de synthèse vocale accompagnée d’un kit pour bâtir des agents vocaux qui écoutent, raisonnent et répondent en temps réel. La transcription démarre à 0,0035 dollar la minute et l’ensemble peut tourner sur l’API hébergée en Europe ou sur les serveurs du client. Pour un standard téléphonique ou un service client de PME, l’offre mérite l’examen, mais plusieurs zones d’ombre demeurent.
Quatre modèles et un kit d’agent vocal
Selon la page de présentation publiée par Mistral, la gamme compte quatre modèles. Voxtral Small Transcribe 3, présenté comme le plus précis de la gamme, est facturé 0,004 dollar la minute. Voxtral Mini Transcribe 3, plus léger avec 4 milliards de paramètres, descend à 0,0035 dollar en traitement par lots. Voxtral Mini Transcribe Realtime 3 transcrit en flux continu pour les usages conversationnels, à 0,008 dollar la minute, avec une latence annoncée sous la demi-seconde. Enfin, Voxtral Mini TTS 3 transforme le texte en voix pour 13 dollars par million de caractères.
Le cinquième étage est un kit de développement d’agents vocaux construit sur LiveKit, comme le relèvent aussi The Decoder et TestingCatalog. Il enchaîne dans un même flux l’écoute, le raisonnement, l’appel d’outils et la parole. L’API d’agent vocal est facturée 0,04 dollar la minute quand le raisonnement est confié à Mistral Small 4, et 0,08 dollar avec un modèle plus grand. Le kit prend en charge la téléphonie SIP, le WebRTC pour les navigateurs et les applications, l’appel de fonctions, la recherche web et la consultation des systèmes du client. Mistral affirme qu’un tour de parole complet s’exécute en moins d’une seconde.
Ce que ça change pour un service client
Concrètement, l’agent peut interroger des outils externes en pleine conversation : The Decoder cite la prise de rendez-vous ou la vérification d’une facture. La démonstration de Mistral met en scène un appelant qui demande, en français, un rendez-vous à partir d’un courrier d’orientation. Plusieurs fonctions répondent à des irritants classiques du téléphone : la détection de fin de tour, pour que l’agent sache quand son interlocuteur a terminé ; la diarisation, qui distingue qui parle et à quel moment ; et le « biais de contexte », qui consiste à fournir une liste de termes métier (références de produits, noms propres) afin de mieux les reconnaître sans réentraîner le modèle.
Côté langues, la transcription en couvre plus de 50, dont les 24 langues officielles de l’Union européenne, et le modèle temps réel plus de 35. La synthèse vocale gère plus de 35 langues et plus de 50 dialectes, avec des voix prêtes à l’emploi dans 18 langues ; elle module l’émotion, le rythme et l’insistance selon le contexte. La liste publiée mentionne le français et l’arabe, mais aucune langue africaine.
Pour fixer les ordres de grandeur, 1 000 minutes d’appels transcrites avec le modèle Mini reviennent à 3,50 dollars, et 1 000 minutes d’agent complet avec Mistral Small 4 à 40 dollars. La page de Mistral ne précise pas si d’éventuels frais de téléphonie s’y ajoutent.
Europe, serveurs maison et maîtrise des données
L’argument de souveraineté distingue l’offre. Voxtral 3 est accessible via l’API de Mistral hébergée dans l’Union européenne (la page cite aussi des points d’accès aux États-Unis et mondiaux), ou en auto-déploiement sur sa propre infrastructure. L’éditeur met en avant la possibilité de choisir où l’audio est traité et de décider si les conversations sont conservées. Pour faire tourner toute la chaîne sur site ou dans un cloud privé, il faut en revanche passer par son équipe commerciale.
Pour une PME qui enregistre des appels contenant des données personnelles, garder l’audio en Europe, voire sur ses propres machines, peut simplifier l’analyse de conformité au RGPD. Encore faut-il disposer des compétences pour exploiter ces modèles en interne : pour une petite structure sans équipe technique, l’API hébergée en Europe reste l’option la plus simple.
Les limites à garder en tête
- Des performances auto-déclarées. Mistral affirme que Voxtral Small Transcribe 3 devance Whisper, Scribe v2 et Gemini 3.5 Transcribe sur le test FLEURS (45 langues), mais la plupart des comparaisons viennent de ses propres évaluations, et la qualité de la synthèse vocale a été notée par un autre modèle d’IA servant de juge.
- Une licence non précisée. La page ne dit pas si les poids des modèles seront publiés, ni sous quelle licence : auto-déploiement ne signifie pas, à ce stade, modèle ouvert.
- Aucun client cité. Mistral ne nomme aucune entreprise utilisatrice ; les retours d’expérience en production restent à venir.
- Un clonage de voix exigeant. Le clonage de voix réclame plus de 30 minutes d’enregistrement, et la fonction « Pro Voice », qui reproduit le style d’un locuteur d’une langue à l’autre, environ 30 minutes. Cela pose aussi la question du consentement de la personne dont la voix est reproduite.
Questions fréquentes
Combien coûte Voxtral 3 ?
D’après la grille de Mistral, de 0,0035 à 0,008 dollar la minute pour la transcription selon le modèle, 13 dollars par million de caractères pour la synthèse vocale, et 0,04 ou 0,08 dollar la minute pour l’agent vocal complet.
Peut-on installer Voxtral 3 sur ses propres serveurs ?
Oui, Mistral propose l’auto-déploiement sur l’infrastructure du client. Pour installer toute la chaîne sur site ou dans un cloud privé, l’éditeur invite à contacter son équipe commerciale.
Voxtral 3 est-il un modèle ouvert ?
Rien ne l’indique pour l’instant : la page de présentation ne mentionne ni publication des poids ni licence. Mieux vaut attendre une confirmation de Mistral avant de bâtir un projet sur cette hypothèse.
Sources
- Voxtral 3 — Mistral AI, 2026-10-20
- Mistral AI launches Voxtral 3, a full voice agent stack that listens, thinks, and talks in real time — The Decoder, 2026-10-20
- Mistral launches Voxtral 3 with a voice agent SDK — TestingCatalog, 2026-10-21