Mistral AI a dévoilé Voxtral 3 le mardi 20 octobre 2026, son offensive la plus complète à ce jour dans la voix. L'annonce réunit de nouveaux modèles de reconnaissance vocale, un nouveau modèle de synthèse et un kit de développement destiné à en faire de véritables agents vocaux pour les centres d'appels, les services d'assistance et les assistants mains libres. La société parisienne le présente comme une offre souveraine : les clients peuvent passer par son API ou faire tourner les modèles sur leur propre infrastructure et décider si l'audio est conservé.
Pour l'écoute, trois modèles sont proposés. Voxtral Small Transcribe 3, le plus précis, coûte 0,004 dollar la minute. Voxtral Mini Transcribe 3, doté de 4 milliards de paramètres, traite les fichiers par lots pour 0,0035 dollar la minute. Tous deux couvrent plus de 50 langues, dont les 24 langues officielles de l'Union européenne, distinguent les locuteurs et acceptent des termes ou des noms fournis par l'utilisateur pour mieux reconnaître le vocabulaire spécialisé. Un troisième modèle, Voxtral Mini Transcribe Realtime 3, conçu pour les agents en direct, rend le texte en moins de 500 millisecondes dans plus de 35 langues, pour 0,008 dollar la minute.
Côté parole, Voxtral Speech 3, aussi appelé Voxtral Mini TTS 3, prend en charge plus de 35 langues et 50 dialectes et adapte l'émotion, le rythme et l'intonation au contexte de la conversation. Il est facturé 13 dollars par million de caractères. L'option Pro Voice reproduit le style d'un locuteur à partir d'environ 30 minutes d'enregistrement, pour les marques qui veulent une voix cohérente d'une langue à l'autre.
Le SDK fait le lien entre ces briques. Construit sur le cadre libre LiveKit, il reçoit l'audio en continu, le transmet à un modèle généraliste comme Mistral Small qui raisonne et appelle des outils, puis répond à voix haute sans attendre la fin de chaque étape. Selon Mistral, un échange complet prend moins d'une seconde et l'agent se tait quand l'appelant lui coupe la parole. Les agents peuvent vérifier une facture, contrôler une identité ou prendre un rendez-vous grâce aux appels de fonctions, à la recherche web et à la récupération de données internes, et se connectent par lignes téléphoniques SIP ou via WebRTC dans les navigateurs et les applications.
Mistral affirme que son modèle Small de transcription devance Whisper d'OpenAI, Scribe v2 d'ElevenLabs et Gemini 3.5 Transcribe de Google sur des tests de précision multilingue et de séparation des locuteurs, et que son modèle de parole coûte moins cher que les services concurrents. Ces comparaisons proviennent de ses propres évaluations, en partie notées automatiquement par un autre modèle d'IA, et n'ont pas encore été vérifiées par des tiers. Le site The Decoder reprend dans son compte rendu les principales caractéristiques et les tarifs.
Ce lancement compte parce que la voix devient une interface majeure des agents d'IA et un marché commercial important, disputé par OpenAI, Google, ElevenLabs, Deepgram et d'autres. L'association de prix bas à la minute, d'un hébergement européen et d'un déploiement sur site vise les secteurs réglementés comme la santé, la banque et l'administration, où confier des appels clients à un cloud américain peut poser problème.
Les modèles sont disponibles dès maintenant via les points d'accès européen, américain et mondial de l'API de Mistral, et peuvent être essayés dans les espaces de test du Studio. Mistral n'a pas précisé si les poids seront publiés en libre accès, et l'installation complète sur site passe par son équipe commerciale.