Voxtral 3 : Mistral AI lance ses modèles vocaux en plus de 50 langues et un SDK pour agents vocaux

IA · par Insight Nexus · publié le 21 octobre 2026

Annoncé le 20 octobre 2026 : transcription en 50 langues avec diarisation, synthèse vocale expressive en plus de 35 langues, SDK sur LiveKit et tarifs dès 0,0035 $ la minute, en API européenne ou sur site.

Mistral AI veut des agents vocaux qui écoutent, réfléchissent et agissent

Mistral AI a présenté le 20 octobre 2026 Voxtral 3, une nouvelle famille de modèles de transcription (speech-to-text) et de synthèse vocale (text-to-speech), accompagnée d'un SDK pour agents vocaux. Selon la start-up française, un bon agent vocal doit faire quatre choses en même temps : écouter avec précision malgré les accents et les interruptions, comprendre ce que veut l'utilisateur, parler naturellement et agir sur plusieurs étapes dans des systèmes connectés.

Béatrice, l'utilisatrice fictive de la démonstration d'agent vocal de Voxtral 3

La démonstration de l'annonce met en scène Béatrice, une utilisatrice qui demande à l'agent de prendre un rendez-vous à partir d'une lettre de son médecin rédigée en français.

Une transcription en plus de 50 langues

Voxtral Small Transcribe 3 prend en charge 50 langues, dont les 24 langues officielles de l'Union européenne. Il identifie qui parle (diarisation), accepte une liste de mots-clés pour mieux reconnaître le vocabulaire technique et détecte la fin de la prise de parole. Mistral affirme qu'il dépasse Whisper, Scribe v2 et Gemini 3.5 Transcribe, d'après ses propres mesures.

Une version Mini et une version temps réel

La variante Mini compte 4 milliards de paramètres et coûte 0,0035 $ la minute. Voxtral Mini Transcribe Realtime 3 vise les agents : elle transcrit en moins de 500 millisecondes dans plus de 35 langues, avec diarisation.

Une synthèse vocale qui adapte l'émotion

Le modèle de synthèse vocale, appelé Voxtral Mini TTS 3 ou Voxtral Speech 3, gère plus de 35 langues et 50 dialectes. Il ajuste l'émotion, le rythme et l'accentuation selon le contexte, et accepte des consignes explicites sur ces trois paramètres. Des voix prédéfinies existent en 18 langues, dont le français de France. La fonction Pro Voice reproduit le style d'un locuteur à partir de 30 minutes d'audio. Prix annoncé : 13 $ par million de caractères.

Un SDK qui enchaîne écoute, raisonnement et parole

Le SDK, construit sur LiveKit, réunit en un seul flux continu la transcription en temps réel, un modèle de raisonnement comme Mistral Small qui appelle des outils, puis la synthèse vocale. Chaque tour de parole prend moins d'une seconde, et l'agent s'arrête quand l'interlocuteur lui coupe la parole. Il peut vérifier une identité, consulter une facture ou réserver un rendez-vous, par téléphone (SIP) ou dans un navigateur (WebRTC).

Schéma de l'agent vocal Voxtral 3 : transcription, modèle de raisonnement, outils et synthèse vocale

Souveraineté et tarifs

Comme les autres modèles de Mistral, Voxtral 3 peut tourner sur l'API de Mistral hébergée en Europe (des points d'accès américains et mondiaux existent aussi) ou être déployé sur l'infrastructure du client, qui garde la main sur le traitement et la conservation des conversations. L'API d'agent vocal coûte 0,04 $ la minute avec Mistral Small 4, et 0,08 $ avec un autre modèle de raisonnement.

Arthur Mensch, cofondateur et directeur général de Mistral AI, au 10 Downing Street en janvier 2025