Voxtral 3 : Mistral AI lance une gamme complète pour créer des agents vocaux en temps réel

Appeler un service client et obtenir une réponse immédiate, naturelle, dans sa langue, sans menu vocal interminable : c’est la promesse des agents vocaux, ces assistants d’IA capables d’écouter, de comprendre et de répondre à voix haute. Mi-octobre 2026, Mistral AI a présenté Voxtral 3, une gamme complète de modèles destinée à les construire. Après une première version de Voxtral consacrée à la transcription en 2025, la start-up française propose désormais toute la chaîne : comprendre la parole, raisonner, répondre avec une voix de synthèse. Une offre qui vise directement les centres d’appels, les applications et la téléphonie, sur un marché dominé jusqu’ici par des acteurs américains.

Ce que contient Voxtral 3

La gamme réunit plusieurs modèles complémentaires, chacun spécialisé dans une étape.

La transcription couvre 50 langues, dont les 24 langues officielles de l’Union européenne, le français compris, ainsi que plusieurs langues d’Asie peu dotées en données. La synthèse vocale parle plus de 35 langues et 50 dialectes, avec des voix prêtes à l’emploi dans 18 langues, dont le français de France.

Moins d’une seconde pour répondre

La rapidité est le nerf de la guerre d’un agent vocal : au-delà d’une seconde de silence, la conversation paraît artificielle. Selon Mistral AI, la transcription en temps réel fonctionne avec moins de 500 millisecondes de latence, et chaque tour de parole de l’agent s’achève en moins d’une seconde. Le secret tient à l’organisation de la chaîne : la transcription, le modèle de raisonnement et la synthèse vocale fonctionnent en continu, sans que chaque étape attende la fin de la précédente. Le modèle de transcription en temps réel détecte aussi la fin du tour de parole, pour que l’agent sache quand l’interlocuteur a fini de parler.

Que valent les modèles ?

Mistral AI publie plusieurs comparaisons, réalisées par ses soins. Sur le test FLEURS, qui mesure la qualité de transcription sur 45 langues, Voxtral Small Transcribe 3 ferait mieux que Whisper, le modèle libre d’OpenAI, que Scribe v2 d’ElevenLabs et que Gemini 3.5 Transcribe de Google. Sur l’identification des locuteurs, il afficherait un taux d’erreur d’environ 18 %, contre 23 % pour Scribe v2 et plus de 38 % pour Gemini 3.5 Transcribe. Pour la synthèse vocale, Mistral AI revendique un coût par caractère inférieur à ceux d’OpenAI, de Deepgram, d’ElevenLabs et de Google.

Comment fonctionne un agent vocal Voxtral

Mistral AI fournit un kit de développement fondé sur LiveKit, une technologie libre de communication en temps réel. Il assemble trois briques : la transcription écoute, un modèle de raisonnement comprend la demande et appelle les outils nécessaires, puis la synthèse vocale répond. Chaque étape étant un modèle distinct, une entreprise peut changer de modèle de raisonnement, de voix ou de langue sans réécrire son agent.

L’agent peut consulter les systèmes de l’entreprise, faire une recherche sur le web ou déclencher une action, et se connecte aussi bien au réseau téléphonique qu’aux navigateurs et applications. La synthèse vocale accepte des consignes d’émotion, de rythme et d’insistance, ainsi que des indications de prononciation pour les noms propres ou les termes techniques, un point souvent faible des voix de synthèse.

Combien coûte un agent vocal, concrètement ?

Les prix annoncés permettent un calcul simple. Un agent vocal complet reposant sur Mistral Small 4 étant facturé 0,04 dollar la minute, un service client qui traite 1 000 appels de trois minutes par jour dépenserait environ 120 dollars par jour, soit environ 2 640 dollars sur un mois de 22 jours ouvrés, hors coûts de mise en place. Le même volume avec un autre modèle de raisonnement, facturé 0,08 dollar la minute, coûterait le double. Pour une simple transcription de réunions ou d’appels, sans réponse vocale, la facture tombe à quelques dollars par jour, ce qui rend ces outils accessibles même aux petites structures.

Ces montants ne couvrent que l’usage des modèles. Il faut y ajouter l’infrastructure téléphonique, le développement de l’agent, son raccordement aux outils de l’entreprise et la supervision humaine des cas complexes, qui restent souvent les postes les plus coûteux d’un projet de ce type.

L’argument européen

Pour les entreprises françaises et européennes, l’un des atouts de Voxtral 3 tient à son hébergement. Les modèles sont accessibles par des points d’accès en Europe, aux États-Unis ou mondiaux, et peuvent être déployés sur l’infrastructure de l’entreprise, avec une installation complète sur site ou en nuage privé sur demande. Mistral AI indique que les organisations peuvent choisir où l’audio est traité et s’il est conservé. Pour un centre d’appels qui traite des conversations avec des clients, la question est centrale : la voix est une donnée personnelle, et son traitement est encadré par le RGPD.

Cette offre prolonge la stratégie de Mistral AI, qui multiplie les modèles spécialisés et déployables chez le client, comme Timestral pour la prévision de séries temporelles, présenté quelques jours plus tôt.

Le clonage de voix, une fonction à encadrer

Voxtral Speech 3 permet aussi de créer une voix personnalisée à partir d’environ 30 minutes d’enregistrement. Pour une marque, c’est l’occasion de disposer d’une voix reconnaissable pour son service client ou ses contenus. Mais le clonage vocal est aussi un outil d’escroquerie bien connu, utilisé pour imiter la voix d’un proche ou d’un dirigeant. La page de présentation de Mistral AI ne détaille pas les garde-fous prévus, comme la vérification du consentement de la personne dont la voix est reproduite. Les entreprises qui utiliseront cette fonction devront s’assurer de disposer de l’accord écrit des personnes concernées.

Ce que cela change pour le grand public

Pour l’utilisateur final, ces technologies se traduiront d’abord par des services clients téléphoniques plus fluides, des applications qui répondent à la voix et des outils d’accessibilité pour les personnes qui ont des difficultés à lire ou à écrire. Elles posent aussi une question de transparence : savoir si l’on parle à un humain ou à une machine. Le règlement européen sur l’IA impose déjà d’informer les personnes lorsqu’elles interagissent avec un système d’IA, une obligation que les entreprises qui déploient des agents vocaux devront respecter. Avec Voxtral 3, Mistral AI entend faire de ce marché l’un de ses relais de croissance, et donner aux entreprises européennes une alternative aux offres américaines. Les autres annonces de la start-up sont à suivre sur notre page consacrée à Mistral AI.