Mistral AI a présenté Voxtral 3 sur son blog officiel le 20 octobre 2026 : une famille de modèles vocaux assortie d'un SDK d'agent vocal qui réunit transcription, raisonnement, appels d'outils et synthèse vocale dans un seul pipeline de diffusion en temps réel. La transcription couvre plus de 50 langues, la synthèse plus de 35 langues et 50 dialectes, et l'ensemble est disponible dès aujourd'hui via l'API de Mistral hébergée dans l'Union européenne ou en déploiement sur l'infrastructure du client.
Quatre briques, pas un modèle unique
La transcription se décline en trois niveaux : Voxtral Mini Transcribe 3 à 0,0035 dollar la minute, la version Small à 0,004 dollar, et une variante temps réel à latence inférieure à 500 millisecondes pour 0,008 dollar la minute. Dans le test FLEURS publié par Mistral sur 45 langues, le modèle Small affiche un taux d'erreur de mots de 4,1 % avec langue imposée et 4,0 % en détection automatique, ce que l'entreprise présente comme supérieur à Whisper large-v3, Scribe v2 et Gemini 3.5 Transcribe ; ce sont des chiffres du constructeur, en attente de réplication indépendante. Côté sortie, Voxtral Speech 3 coûte 13 dollars par million de caractères, adapte émotion, rythme et accentuation au contexte, et propose Pro Voice, qui reproduit le caractère vocal et le style d'une personne à partir de 30 minutes d'audio. Le SDK d'agent, bâti sur LiveKit, relie les briques : pendant un appel, l'agent peut vérifier une facture, prendre un rendez-vous ou contrôler une identité, chaque tour s'achève en moins d'une seconde, et il se tait dès que l'appelant le coupe.
Collision le même jour avec Eleven Realtime
Le calendrier est éloquent. Quelques heures plus tôt le même jour, ElevenLabs lançait Eleven Realtime pour la conversation en direct, dont nous avons rapporté la latence et les scores de raisonnement dans notre article sur la sortie d'Eleven Realtime. Les deux produits n'ont pas la même forme : ElevenLabs vend des modèles voix-à-voix, Mistral vend une pile assemblable où transcription, modèle de raisonnement et synthèse se remplacent séparément, et qui peut déménager entièrement dans le centre de données du client. Pour un acheteur européen, ce second point peut peser plus lourd que les benchmarks : les appels de support charrient beaucoup de données personnelles, et l'hébergement européen ou le déploiement privé raccourcit nettement la discussion de conformité.
Quelle facture vérifier en premier
Trois contrôles concrets pour les équipes qui choisissent une pile vocale. D'abord, la répartition des langues : si vos utilisateurs se concentrent sur des langues et dialectes peu dotés, l'ampleur de Voxtral est le facteur différenciant, mais mesurez les taux d'erreur sur vos propres enregistrements d'appels plutôt que de vous fier au seul FLEURS. Ensuite, la frontière de déploiement : le fait que l'audio des appels puisse ou non quitter vos locaux décide entre API et auto-hébergement, et se tromper ici transforme tout le reste en coût de conformité. Enfin, la structure de prix : une transcription à moins d'un demi-centime la minute et une API d'agent vocal entre 0,04 et 0,08 dollar la minute jouent, à volume élevé, dans une autre catégorie que la tarification par siège des centres de contact classiques, à condition d'y intégrer le coût du modèle de raisonnement. La concurrence des agents vocaux est passée de la question de ressembler à un humain à celle de finir le travail à l'intérieur de la frontière de données du client, et Voxtral 3 parie sur la seconde.
