Mistral, l'entreprise française derrière Le Chat, a lancé Voxtral 3 le 20 octobre : un ensemble de modèles de transcription (speech-to-text) et de synthèse vocale (text-to-speech), ainsi qu'un SDK pour construire des agents vocaux capables d'écouter, de raisonner, de parler et d'agir.

Les modèles et les prix

Voxtral Small Transcribe 3 : le modèle de transcription le plus précis, 0,004 $ la minute.
Voxtral Mini Transcribe 3 : transcription par lots, 4 milliards de paramètres, 0,0035 $ la minute.
Voxtral Mini Transcribe Realtime 3 : transcription en flux continu pour les agents, 0,008 $ la minute, avec une latence inférieure à 500 ms.
Voxtral Mini TTS 3 : synthèse vocale en lots et en temps réel, 13 $ par million de caractères.
SDK pour agents vocaux : construit sur LiveKit, 0,04 $ la minute avec Mistral Small 4 pour le raisonnement, ou 0,08 $ avec un modèle plus grand. Mistral indique que chaque tour de dialogue d'un agent s'exécute en moins d'une seconde.

Langues et voix

Les modèles Transcribe 3 couvrent plus de 50 langues, dont les 24 langues officielles de l'UE. Le modèle de synthèse vocale couvre plus de 35 langues et plus de 50 dialectes, accepte des instructions sur l'émotion, le rythme et l'emphase, et propose des voix prédéfinies dans 18 langues. Il prend également en charge le clonage de voix, et une option Pro Voice permet d'adapter une voix à partir de 30 minutes d'audio d'un locuteur.

Selon les propres tests comparatifs de Mistral, Voxtral Small Transcribe 3 arrive en tête sur la transcription avec attribution des locuteurs : un taux d'erreur de 18,4 %, contre 23,0 % pour ElevenLabs Scribe v2 et 38,4 % pour Gemini 3.5 Transcribe. Mistral affirme également que Voxtral Small surpasse Whisper sur le test multilingue FLEURS, et que son modèle de synthèse vocale coûte moins cher à exploiter qu'OpenAI TTS-1, Deepgram, ElevenLabs Flash et Gemini Flash. Il s'agit de chiffres fournis par l'éditeur, non de tests indépendants.

Où ça fonctionne

Voxtral 3 est disponible dès maintenant via l'API de Mistral, hébergée dans l'UE avec des points d'accès aux États-Unis et dans le monde entier, ainsi que dans les environnements de test Mistral Studio pour expérimenter la transcription, la synthèse vocale, le clonage de voix et les agents. Les entreprises peuvent également le déployer sur leur propre infrastructure ; les installations sur site ou en cloud privé passent par l'équipe commerciale de Mistral.

À qui cela s'adresse

Ce lancement cible les développeurs qui conçoivent des robots pour centres d'appels, des outils de transcription de réunions et des assistants vocaux, en particulier ceux qui ont besoin que les données audio restent dans l'UE ou sur leurs propres serveurs.

Ce que cela signifie si vous avez besoin d'IA vocale

Si vous transcrivez des réunions ou des appels dans plusieurs langues, Voxtral Mini à 0,0035 $ la minute mérite d'être testé face au modèle ouvert Whisper que vous utilisez peut-être déjà.

Si vous avez besoin de voix naturelles pour du contenu, ElevenLabs reste la solution clé en main ; Voxtral est une API destinée aux développeurs, donc comparez-la sur vos propres scripts avant de changer.