Mistral Voxtral 3 : des agents vocaux en plus de 50 langues

Après le texte et le code, Mistral AI accélère sur la voix. La start-up parisienne a présenté mardi 20 octobre Voxtral 3, une nouvelle famille de modèles de reconnaissance et de synthèse vocales, accompagnée d’un SDK, un kit de développement, pour concevoir des agents vocaux de bout en bout. L’objectif affiché est de réunir dans un seul flux en temps réel les quatre briques qu’un agent doit maîtriser simultanément : écouter, raisonner, parler et agir.

Côté transcription, Voxtral Small Transcribe 3 prend désormais en charge 50 langues, dont les 24 langues officielles de l’Union européenne et plusieurs langues asiatiques et indiennes peu dotées en données. Le modèle identifie qui parle et quand (la diarisation), accepte une liste de mots-clés pour mieux reconnaître le vocabulaire technique ou les noms propres, et détecte la fin de tour de parole pour répondre sans délai. Selon les tests publiés par Mistral, il fait mieux que Whisper d’OpenAI, Scribe v2 d’ElevenLabs et Gemini 3.5 Transcribe de Google sur la transcription multilingue. Une variante Mini, de 4 milliards de paramètres, est facturée 0,0035 dollar la minute. Une version temps réel promet enfin une latence inférieure à 500 millisecondes dans plus de 35 langues.

Pour la synthèse vocale, Voxtral Mini TTS 3 couvre plus de 35 langues et plus de 50 dialectes, avec des voix qui ajustent leur émotion, leur débit et leur accentuation au fil de la conversation. Des voix prêtes à l’emploi existent en 18 langues, dont le français. L’option Pro Voice reproduit le timbre, la palette émotionnelle et le style d’un locuteur à partir de 30 minutes d’enregistrement.

Mistral joue clairement la carte du prix. Sa synthèse vocale est facturée 13 dollars par million de caractères, un tarif que l’entreprise présente comme inférieur à ceux d’OpenAI TTS-1, de Deepgram, d’ElevenLabs Flash et de Gemini Flash. Ces comparaisons, comme les résultats de tests, émanent de Mistral elle-même et restent à confirmer par des évaluations indépendantes.

Le SDK, construit sur la technologie open source LiveKit, enchaîne l’écoute, le raisonnement par un modèle généraliste comme Mistral Small, l’appel d’outils et la réponse vocale. Aucune étape n’attend la précédente : chaque tour de parole se boucle en moins d’une seconde, et l’agent se tait dès que son interlocuteur lui coupe la parole. En pratique, il peut vérifier l’identité d’un appelant, consulter une facture ou prendre un rendez-vous en direct. Il passe et reçoit des appels par SIP, le protocole de la téléphonie sur IP, et s’intègre aux navigateurs et aux applications via WebRTC.

Les cibles sont toutes trouvées : centres de contact, assistants virtuels et copilotes mains libres, un terrain où les agents vocaux promettent des gains rapides pour les entreprises.

Comme le reste de sa gamme, Mistral met en avant un déploiement souverain. Voxtral 3 est disponible dès maintenant via son API, hébergée en Europe, aux États-Unis ou sur des serveurs mondiaux, et peut aussi être installé sur l’infrastructure du client. L’entreprise garde ainsi la main sur le lieu de traitement de l’audio et sur la conservation ou non des conversations, un point sensible pour les banques, les assureurs ou les services publics qui enregistrent des appels de clients.

Pour Mistral, l’enjeu dépasse la technique. La voix devient l’interface naturelle des agents IA, sur smartphone comme au téléphone, et les grands acteurs américains s’y bousculent. En misant sur les langues européennes, les tarifs et l’hébergement local, la pépite française espère s’imposer auprès des entreprises qui hésitent à confier leurs conversations clients à un fournisseur extra-européen.