Voxtral 3 : Mistral lance ses modèles de voix et un kit pour agents vocaux

Le 20 octobre 2026, Mistral AI a présenté Voxtral 3, une famille de modèles audio accompagnée d'un kit de développement pour agents vocaux. Au programme : de la transcription dans 50 langues, une synthèse vocale qui adapte l'émotion au contexte, et une chaîne temps réel qui écoute, réfléchit, appelle des outils et répond à voix haute. Le tout est accessible par l'API de Mistral, hébergée en Europe, ou en déploiement sur ses propres serveurs.

Écouter : trois modèles de transcription

Voxtral Small Transcribe 3 est le modèle le plus précis de la gamme. Il identifie qui parle (diarisation), accepte une liste de mots-clés pour mieux reconnaître le jargon d'un métier, et détecte la fin d'une prise de parole. Il couvre désormais 50 langues, dont les 24 langues officielles de l'Union européenne, et Mistral affirme qu'il dépasse Whisper, Scribe v2 et Gemini 3.5 Transcribe, y compris en français. Voxtral Mini Transcribe 3, avec 4 milliards de paramètres, mise sur la rapidité, et Voxtral Realtime Transcribe 3 transcrit en direct avec moins de 500 millisecondes de latence, dans plus de 35 langues.

Parler : une voix qui suit la conversation

Le modèle de synthèse, Voxtral Speech 3 (Voxtral Mini TTS 3 dans la documentation), couvre plus de 35 langues et 50 dialectes. Il ajuste l'émotion, le rythme et l'accentuation selon le texte, accepte des consignes explicites et peut cloner une voix à partir d'une trentaine de minutes d'enregistrement avec l'option Pro Voice. Des voix prêtes à l'emploi existent dans 18 langues, dont le français de France.

Agir : le kit d'agents vocaux

Le kit, construit sur LiveKit, enchaîne transcription en direct, un modèle de raisonnement comme Mistral Small et synthèse vocale, sans attendre la fin de chaque étape. Selon Mistral, chaque tour de parole prend moins d'une seconde et l'agent se tait quand on l'interrompt. Il peut vérifier une identité, consulter une facture ou prendre un rendez-vous, et se branche au téléphone (SIP) comme au navigateur (WebRTC).

Concrètement, une heure d'audio transcrite en différé coûte entre 0,21 et 0,24 dollar selon le modèle. Pour faire tourner toute la chaîne sur ses propres serveurs ou dans un cloud privé, il faut passer par l'équipe commerciale de Mistral.

Notre lecture

Analyse. La voix est devenue un terrain de course : en une semaine, Fish Audio a lancé Drama 3 et xAI Grok Voice 3.0. L'argument de Mistral est moins la démonstration que le contrôle : hébergement européen, déploiement possible chez soi, choix de conserver ou non l'audio. Pour un centre d'appels ou une administration, c'est souvent ce qui décide. Reste à vérifier sur pièce la qualité en français et la tenue de la latence en conditions réelles.