Voxtral 3 : Mistral sort un SDK d'agents vocaux et des modèles de parole

Mistral a publié le 20 octobre 2026 Voxtral 3, une famille de modèles de transcription et de synthèse vocale accompagnée d'un SDK qui assemble les trois étapes d'un agent téléphonique : écouter, raisonner, répondre. La transcription démarre à 0,0035 dollar la minute, la synthèse à 13 dollars le million de caractères, et un agent complet revient à 0,04 dollar la minute avec Mistral Small 4. Mistral annonce un tour de conversation bouclé en moins d'une seconde.

Pour une PME française, le point qui compte tient en une ligne de documentation : l'API est hébergée en Europe, avec des points d'accès européen, américain et mondial au choix. Vous décidez où transitent les enregistrements de vos appels clients.

Ce que Mistral a réellement livré

Quatre modèles, pas un seul. Voxtral Small Transcribe 3 vise la précision, Voxtral Mini Transcribe 3 le traitement par lots à bas coût, Voxtral Mini Transcribe Realtime 3 le direct avec une latence annoncée sous 500 millisecondes. Voxtral Mini TTS 3.0, commercialisé sous le nom Voxtral Speech 3, fabrique la voix.

La transcription couvre plus de 50 langues. La synthèse en couvre plus de 35, avec plus de 50 accents régionaux. Sur le temps réel, la page de Mistral se contredit : le corps du texte annonce plus de 35 langues, la fiche produit plus de 40. Si votre projet dépend d'une langue précise, demandez confirmation avant de signer.

Le SDK repose sur LiveKit, avec SIP et WebRTC pour brancher un numéro de téléphone. Ce détail décide de votre intégration : vous ne partez pas d'une page blanche pour gérer le son, mais vous héritez d'une brique supplémentaire à maintenir.

Les tarifs, ligne par ligne

Mistral publie ses prix, ce qui permet de chiffrer avant de tester.

• Transcription par lots, modèle Mini : 0,0035 dollar la minute
• Transcription haute précision, modèle Small : 0,0040 dollar la minute
• Transcription en direct : 0,008 dollar la minute
• Synthèse vocale : 13 dollars le million de caractères
• Agent vocal complet avec Mistral Small 4 : 0,04 dollar la minute
• Agent vocal avec un modèle de raisonnement plus lourd : 0,08 dollar la minute

Prenez un standard qui absorbe 400 appels par mois, de 4 minutes chacun. À 0,04 dollar la minute, vous payez 64 dollars de modèles. Le reste du budget part ailleurs : l'intégration téléphonique, les tests, et les heures passées à écrire ce que l'agent a le droit de dire.

Ce que la facture à la minute ne couvre pas

Le coût des modèles est la petite ligne. Trois postes pèsent davantage.

Le scénario d'abord. Un agent vocal qui répond à des clients a besoin d'une liste écrite de ce qu'il traite, de ce qu'il refuse, et du moment exact où il passe la main à un humain. Cette liste sort d'une discussion avec les personnes qui répondent au téléphone aujourd'hui, pas d'un modèle.

Les données ensuite. L'agent ne connaît ni vos tarifs, ni vos délais, ni l'historique du client qui appelle. Il faut les lui donner, à jour, au moment de l'appel. Une PME qui n'a pas encore rassemblé ces informations commence par là, avant de choisir un modèle vocal.

La reprise enfin. Un appel transféré à un humain doit arriver avec ce qui a déjà été dit. Sans ce passage de relais, le client répète son problème et l'agent vous a coûté de la patience client.

La transcription par lots, le cas d'usage le plus rentable

Beaucoup d'entreprises visent l'agent conversationnel et passent à côté du gain facile. À 0,0035 dollar la minute, transcrire un an d'appels commerciaux coûte quelques dizaines d'euros.

Ce que vous en tirez : les objections qui reviennent, les questions que personne n'avait anticipées, les engagements pris à l'oral et jamais écrits. Un commercial qui raccroche n'a pas le temps de noter la moitié de ce qui s'est dit. La transcription le fait, et le texte devient une source pour votre base de connaissances interne.

Ce chantier ne demande ni téléphonie ni temps réel. Vous mesurez en quelques jours si la matière vaut quelque chose, avant d'engager un projet d'agent.

Voxtral face à Gemini 3.8 Live et aux autres

Mistral affirme que Voxtral Small Transcribe 3 fait mieux que Whisper, Scribe v2 et Gemini 3.5 Transcribe. Artificial Analysis le classe troisième de son palmarès de transcription, et classe la synthèse de Mistral douzième dans ses deux arènes.

Ces classements mesurent des modèles isolés. Un agent vocal se juge sur la chaîne complète : le temps entre la fin de votre phrase et le début de la réponse, la capacité à vous couper quand vous reprenez la parole, le comportement quand la question sort du cadre prévu. Aucune place de classement ne vous dit comment un agent se tient sur ces trois points. Nous avions fait la même remarque sur Gemini 3.8 Live, pour les mêmes raisons.

La différence qui se mesure sans benchmark reste l'hébergement. Google traite vos appels où ses conditions le prévoient. Mistral vous laisse choisir l'Europe, ou votre propre infrastructure.

Le clonage de voix et le cadre légal

Mistral propose une option Pro Voice qui reproduit une voix à partir d'environ 30 minutes d'enregistrement. L'usage évident consiste à garder la voix d'un collaborateur sur un message d'accueil.

Deux règles encadrent cet usage en France. La voix d'une personne est une donnée personnelle, donc son consentement écrit est nécessaire, pour un usage défini et une durée définie. Et depuis le 2 août 2026, l'article 50 de l'AI Act impose de signaler à l'interlocuteur qu'il parle à une machine. Une voix humaine convaincante rend cette mention plus nécessaire, pas moins.

Par où commencer dans une PME

Comptez vos appels avant de regarder un modèle. Combien d'appels par semaine, combien de minutes, et quelle part porte sur trois ou quatre questions identiques. Si cette part reste sous 30 %, un agent vocal ne vous fera pas gagner grand-chose.

Commencez par la transcription de ce qui existe déjà. Vous découvrez le vocabulaire réel de vos clients, et vous construisez le scénario de l'agent sur des phrases prononcées plutôt que sur des hypothèses.

Testez ensuite sur un seul motif d'appel, le plus répétitif, avec un transfert humain disponible à tout moment. Mesurez le taux de transfert. Tant qu'il dépasse 40 %, votre scénario n'est pas prêt, et aucun changement de modèle ne corrigera cela.