Voxtral 3 : Mistral réunit transcription, synthèse vocale et agents téléphoniques dans une même API

Transcrire une réunion, faire parler un assistant, répondre au téléphone : ces trois usages demandaient jusqu'ici d'assembler plusieurs fournisseurs. Avec Voxtral 3, annoncé au journal des changements de Mistral le 20 octobre 2026, l'éditeur français propose toute la chaîne.

Quatre modèles et leurs prix

D'après la page de présentation :

• Voxtral Small Transcribe 3 (voxtral-small-transcribe-3-0) : le modèle principal de transcription, avec identification des locuteurs. 0,004 dollar la minute.
• Voxtral Mini Transcribe 3 (voxtral-mini-transcribe-3-0) : transcription par lots. 0,0035 dollar la minute.
• Voxtral Mini Transcribe Realtime 3 (voxtral-mini-transcribe-realtime-3-0) : transcription en direct. 0,008 dollar la minute.
• Voxtral Mini TTS 3 (voxtral-mini-tts-3-0) : synthèse vocale, par lots ou en direct. 13 dollars le million de caractères.

À ce prix, une heure d'enregistrement transcrite avec le modèle principal revient à 0,24 dollar.

La transcription couvre plus de 50 langues, dont les 24 langues officielles de l'Union européenne. On peut lui fournir une liste de termes à reconnaître, ce qui compte pour les noms de produits ou le vocabulaire d'un métier. La synthèse vocale annonce plus de 35 langues et le clonage d'une voix à partir d'enregistrements.

L'API d'agents vocaux

C'est la nouveauté la plus structurante. Mistral fournit un kit de développement, construit sur LiveKit, qui enchaîne l'écoute, le raisonnement et la parole dans un seul flux. L'agent se tait quand l'interlocuteur l'interrompt. Il se branche sur le téléphone par SIP et sur un navigateur ou une application par WebRTC, et peut appeler des outils : fonctions, recherche web, recherche dans vos propres données.

Le prix dépend du modèle qui raisonne : 0,04 dollar la minute avec Mistral Small 4, 0,08 dollar avec un modèle plus grand. Un appel de cinq minutes coûte donc 0,20 ou 0,40 dollar, hors téléphonie.

Chaque étape repose sur un modèle distinct. On peut changer la voix, la langue ou le modèle de raisonnement sans réécrire l'agent.

Les chiffres annoncés

Ils viennent de Mistral, pas d'un test indépendant :

• un taux d'erreur de mots d'environ 4 % pour Voxtral Small Transcribe 3 sur le jeu de test FLEURS en 45 langues ;
• une latence inférieure à 500 millisecondes pour la transcription en direct, dans plus de 35 langues ;
• un tour de parole bouclé en moins d'une seconde pour l'agent vocal.

Mistral affirme aussi dépasser plusieurs concurrents en transcription et coûter moins cher qu'eux en synthèse. La page précise que ces évaluations sont internes, ou réalisées par un tiers pour l'une d'elles.

Où cela tourne

L'API propose des points d'accès européen, américain et mondial, et les modèles s'essaient dans les bacs à sable de Studio. Un déploiement sur site ou en cloud privé est possible, en passant par l'équipe commerciale.

Les limites

• Le journal des changements classe les quatre modèles en préversion publique. Les conditions peuvent encore évoluer.
• La page ne mentionne ni poids ouverts ni licence pour cette génération.
• Le français fait partie des langues couvertes, mais aucun chiffre propre au français n'est donné. Un accent régional, une ligne téléphonique de mauvaise qualité ou un jargon technique se testent sur vos propres enregistrements.
• Les prix sont en dollars et n'incluent pas l'opérateur téléphonique.

Notre lecture

Pour une PME française, l'intérêt est double : un fournisseur européen pour des enregistrements qui contiennent presque toujours des données personnelles, et un tarif à la minute facile à budgéter. La transcription de réunions ou d'appels est le premier usage à essayer, car le risque est faible.

L'agent téléphonique demande plus de prudence. Avant de l'exposer à des clients, prévoyez l'information des appelants sur le fait qu'ils parlent à une machine, un transfert vers un humain, et une période d'essai sur un numéro secondaire. Et choisissez le point d'accès européen explicitement, plutôt que le point d'accès mondial.