Mistral lance les modèles de parole Voxtral 3 et un SDK d'agent vocal

Mistral a publié la famille Voxtral 3 le 20 octobre 2026, combinant une transcription multilingue précise, une synthèse vocale expressive et un SDK d'agent vocal en temps réel qui gère l'écoute, le raisonnement, l'appel d'outils et la parole dans un seul pipeline [1]. Les modèles s'exécutent sur l'API hébergée par Mistral en UE ou sur l'infrastructure propre des clients [1].

Quels modèles de transcription Mistral a-t-il livrés ?

Mistral a publié trois modèles de transcription Voxtral 3 le 20 octobre 2026, prenant en charge jusqu'à 50 langues. Il s'agit de Voxtral Small Transcribe 3, Voxtral Mini Transcribe 3 et Voxtral Mini Transcribe Realtime 3 [1]. Le modèle Mini compte 4B paramètres et coûte 0,0035 $ par minute tandis que la variante temps réel cible une latence inférieure à 500 ms dans plus de 35 langues avec diarisation et biaisage contextuel [1].

Voxtral Small Transcribe 3 revendique des résultats de pointe en diarisation et transcription multilingue sur 50 langues dont 24 langues officielles de l'UE, surpassant Whisper, Scribe v2 et Gemini 3.5 Transcribe selon les benchmarks de Mistral [1]. Le biaisage contextuel permet aux utilisateurs de fournir des termes clés sans fine-tuning [1].

Comment fonctionnent la nouvelle synthèse vocale et le clonage vocal ?

Selon Mistral, Voxtral Mini TTS 3 prend en charge plus de 35 langues et 50 dialectes à 13 dollars par million de caractères. Mistral appelle aussi le modèle Voxtral Speech 3 et indique que ses voix ajustent l'émotion, le rythme et l'emphase à la conversation [1]. Pour un usage professionnel, Mistral indique que l'adaptation vocale peut reproduire le style d'un locuteur à partir de 30 minutes d'audio [1].

Que permet le SDK d'agent vocal ?

Le nouveau SDK d'agent vocal de Mistral est construit sur LiveKit et termine chaque tour en moins d'une seconde, selon Mistral. Il exécute la parole entrante, le raisonnement et la parole sortante comme un seul pipeline en streaming, et l'agent arrête de parler quand l'appelant l'interrompt [1]. Les agents peuvent répondre et passer des appels via SIP et fonctionner dans les navigateurs et applications via WebRTC [1].

Où les développeurs peuvent-ils exécuter Voxtral 3 ?

Voxtral 3 est disponible via l'API Mistral avec des points de terminaison européens, américains et mondiaux, et peut être auto-déployé [1][2]. Mistral indique que les organisations contrôlent où l'audio est traité et si un audio est conservé [1]. Les graphiques de benchmark de Mistral, qui revendiquent des gains sur Whisper, Scribe v2 et Gemini 3.5 Transcribe, sont ses propres évaluations [1].

Notre analyse

Opinion : Voxtral 3 réduit l'écart entre les interfaces vocales et les workflows d'agents fiables, mais le vrai test sera de savoir si la précision et la latence revendiquées tiennent une fois que des benchmarks indépendants remplaceront les chiffres internes de Mistral.

Ce que nous n'avons pas pu vérifier

• Confirmation indépendante des taux d'erreur de mots et des chiffres de diarisation présentés dans les graphiques de Mistral.
• La distribution exacte de latence du modèle temps réel sous charge de production.
• Si les poids de Voxtral 3 sont publiés ouvertement ; le billet de Mistral décrit l'accès API et l'auto-déploiement.
• Toute évaluation tierce de la qualité de l'adaptation vocale Pro de 30 minutes.