Le 20 octobre 2026, Mistral AI a présenté Voxtral 3, sa troisième génération de modèles vocaux. L’annonce tient en une promesse : un agent vocal qui écoute, réfléchit, agit et répond en moins d’une seconde, dans des dizaines de langues, pour 4 centimes de dollar la minute. De quoi faire tourner un standard téléphonique ou un service après-vente jour et nuit, avec un argument que les concurrents américains ne peuvent pas avancer de la même façon : un hébergement en Europe.
Le prix est réel et bas. Le progrès technique aussi, et une mesure indépendante le confirme. Mais trois choses passent inaperçues dans la plupart des reprises de l’annonce. Aucun des quatre nouveaux modèles n’est téléchargeable, une première pour la gamme. Plusieurs « premières places » ne tiennent pas quand on lit les graphiques de Mistral jusqu’au bout. Et l’hébergement européen ne dit rien, à lui seul, de la durée pendant laquelle vos conversations sont conservées.
Voxtral 3 : ce que Mistral a lancé le 20 octobre
Voxtral 3 n’est pas un modèle mais un ensemble de briques, vendues séparément ou assemblées en agent.
| Brique | Rôle | Prix annoncé |
|---|---|---|
| Voxtral Small Transcribe 3 | Transcription la plus précise de la gamme, identification des locuteurs | 0,004 $ la minute |
| Voxtral Mini Transcribe 3 | Transcription en différé, 4 milliards de paramètres | 0,0035 $ la minute |
| Voxtral Mini Transcribe Realtime 3 | Transcription en direct, l'« oreille » de l'agent | 0,008 $ la minute |
| Voxtral Mini TTS 3 | Synthèse vocale, la « voix » de l'agent | 13 $ le million de caractères |
| API d'agent vocal avec Mistral Small 4 | L'agent complet, raisonnement compris | 0,04 $ la minute |
| API d'agent vocal avec « un modèle plus grand » | Le même agent, avec un modèle de raisonnement plus puissant | 0,08 $ la minute |
Dans la documentation de Mistral, les quatre modèles portent la mention « Public Preview » : ils sont accessibles, mais en préversion. Ils sont proposés par l’API de Mistral, sur des points d’accès européens, américains et mondiaux, ou en déploiement sur l’infrastructure du client. Pour faire tourner l’ensemble sur ses propres serveurs ou dans un cloud privé, l’annonce renvoie à un contact avec l’équipe commerciale.
Mistral lance aussi « Pro Voice », une adaptation professionnelle de voix qui reproduit le timbre, la palette émotionnelle et la manière de parler d’une personne, dans toutes les langues prises en charge, à partir de 30 minutes d’enregistrement.
Agent vocal IA : comment fonctionne celui de Mistral
Un agent vocal IA est un programme capable de tenir une conversation orale : il comprend ce qu’on lui dit, décide quoi faire, agit au besoin dans d’autres logiciels, puis répond à voix haute. Chez Mistral, ces fonctions sont confiées à trois modèles distincts, enchaînés en continu.
- L’oreille. Voxtral Mini Transcribe Realtime 3 transcrit la parole au fil de l’eau et détecte quand l’interlocuteur a fini de parler, en combinant des indices acoustiques et le sens de la phrase.
- Le cerveau. Un modèle de langage généraliste, Mistral Small 4 dans l’offre de base, comprend la demande et appelle des outils : vérifier l’identité d’un appelant, consulter une facture, prendre un rendez-vous, chercher sur le web ou dans les bases de l’entreprise.
- La voix. Voxtral TTS répond, dans un ton accordé à la conversation.
Selon Mistral, aucune étape n’attend la fin de la précédente, si bien que chaque tour de parole se boucle « en moins d’une seconde », et l’agent se tait quand on lui coupe la parole. L’ensemble passe par le téléphone (protocole SIP) ou par un navigateur et une application (WebRTC), et se raccorde aux standards et aux logiciels de centre d’appels existants.
Deux détails comptent. D’abord, le kit de développement est construit sur LiveKit, une technologie tierce de communication en temps réel, et non sur une brique maison. Ensuite, chaque étape étant un modèle séparé, on peut changer de cerveau, de voix ou de langue sans réécrire l’agent. C’est ce qui explique le double tarif : 0,04 $ la minute avec Mistral Small 4, 0,08 $ avec « un modèle plus grand ». L’annonce ne dit pas lequel, et rien n’y indique qu’il s’agisse de Mistral Large 4.
Combien coûte un agent vocal IA chez Mistral
À 0,04 $ la minute, un appel de 10 minutes revient à 0,40 $, et une heure de conversation à 2,40 $. Ce tarif couvre l’agent, raisonnement compris dans la version Small 4. Le tableau de prix ne mentionne en revanche ni numéro de téléphone ni communications : l’agent se raccorde, selon Mistral, « à la téléphonie » que l’entreprise « utilise déjà ». L’abonnement téléphonique et l’intégration aux logiciels maison restent donc à prévoir à part.
Pour situer ce prix, deux repères. L’oreille seule, la transcription en temps réel, coûte 0,008 $ la minute, soit un cinquième du prix de l’agent complet. Chez ElevenLabs, l’un des principaux acteurs de la voix de synthèse, la page tarifaire affiche 0,08 $ la minute pour son pipeline d’agents vocaux, et 0,08 $ plus l’usage du modèle de langage pour ses modèles qui transforment directement la parole en parole. L’offre de base de Mistral est donc affichée deux fois moins cher. Ce sont des prix catalogue, et la qualité n’est pas la même partout, comme on le verra plus bas.
Autre point rarement relevé : la minute de transcription augmente d’une génération à l’autre.
| Critère | Voxtral Transcribe 2 (février 2026) | Voxtral 3 (octobre 2026) | Évolution |
|---|---|---|---|
| Transcription en différé (modèle Mini) | 0,003 $ la minute | 0,0035 $ la minute | +17 % |
| Transcription en temps réel | 0,006 $ la minute | 0,008 $ la minute | +33 % |
| Langues transcrites | 13 | 50 | Près de quatre fois plus |
| Licence du modèle temps réel | Apache 2.0, poids publiés | « PREMIER », poids non publiés | Fermeture |
La hausse s’accompagne d’un vrai saut de couverture, de 13 à 50 langues. Mais elle contredit l’idée d’une IA vocale qui ne coûterait presque rien : à volume égal, l’oreille de l’agent coûte un tiers de plus qu’en février.
Voxtral 3 est-il open source ? Non, et c’est une première pour la gamme
Le catalogue officiel des modèles de Mistral attribue à chaque modèle une étiquette de licence. Celle des quatre modèles Voxtral 3 est « PREMIER », l’étiquette des modèles sans licence ouverte. Au 28 octobre 2026, aucun d’eux ne figure sur la page Hugging Face de Mistral, où l’entreprise publie ses modèles téléchargeables.
| Génération | Modèle | Licence (catalogue Mistral) | Usage commercial libre |
|---|---|---|---|
| Voxtral (juillet 2025) | Voxtral Small, Voxtral Mini | Apache 2.0 | Oui |
| Voxtral Transcribe 2 (février 2026) | Voxtral Mini Transcribe Realtime | Apache 2.0 | Oui |
| Voxtral Transcribe 2 (février 2026) | Voxtral Mini Transcribe 2 | PREMIER | Non, accès par l'API |
| Voxtral TTS (mars 2026) | Voxtral TTS | CC BY-NC 4.0 | Non, usage non commercial seulement |
| Voxtral 3 (octobre 2026) | Les quatre modèles | PREMIER | Non, accès par l'API ou par contrat |
Voxtral 3 est donc la première génération Voxtral dont aucun modèle n’est téléchargeable. Il faut le dire avec justesse : l’annonce ne promettait rien d’autre, elle ne parle ni de poids ni de licence. Mais la conséquence pratique est nette. Le « déploiement sur votre propre infrastructure », mis en avant comme gage de souveraineté, passe par un accord commercial avec Mistral : on ne peut pas télécharger Voxtral 3 et le faire tourner sans lui.
Le cerveau de l’agent, lui, est ouvert : Mistral Small 4 est sous licence Apache 2.0. Quant à Mistral Large 4, présenté le 6 octobre comme un modèle à poids ouverts, sa fiche affiche toujours, au 28 octobre, « Coming soon » pour les poids comme pour la licence, comme nous le relevions dans notre article sur Mistral Large 4. Le mouvement de fond n’est pas propre à Mistral : il rejoint la question de savoir qui, aujourd’hui, publie réellement ses meilleurs modèles en accès libre.
Pour qui cherche un Voxtral ouvert, la meilleure option reste donc un modèle de 2025 : Voxtral Small, toujours sous Apache 2.0, mesuré à 2,8 % d’erreurs par Artificial Analysis, contre 2,1 % pour Voxtral Small Transcribe 3.
Ce que disent les graphiques de Mistral quand on les lit en entier
L’annonce de Voxtral 3 contient une dizaine de graphiques. Lus en entier, ils sont plus nuancés que le texte qui les accompagne.
| Ce qu'affirme Mistral | Ce que montre son propre graphique |
|---|---|
| Small Transcribe 3 surpasse Microsoft AI Transcribe 2 (fiche du modèle) | Test FLEURS, 45 langues : égalité au dixième près, 4,0 % d'erreurs langue indiquée et 4,1 % langue détectée, pour les deux. Sur l'indice d'Artificial Analysis reproduit dans l'annonce : Microsoft 2,04 %, Voxtral 2,10 %. |
| « État de l'art » en transcription | Troisième de l'indice d'Artificial Analysis reproduit par Mistral, derrière Fun-Realtime-ASR-preview d'Alibaba (1,73 %) et Microsoft (2,04 %). |
| Transcription en direct « de haute qualité » sous 500 millisecondes | Test FLEURS, 35 langues : 6,4 % d'erreurs au réglage de 480 ms, contre 4,2 % pour Gemini 3.5 Realtime Transcribe de Google. |
| Meilleure identification des locuteurs | Exact : 18,4 %, premier devant Pyannote (19,0 %) et Microsoft (20,3 %). Mais environ 18 mots sur 100 restent mal transcrits ou attribués à la mauvaise personne. |
| Synthèse vocale moins chère que celles d'OpenAI, Deepgram, ElevenLabs Flash et Gemini Flash | Sur les numéros et noms propres en service client : 79,7 % d'extraits fidèles, contre 98,3 % pour Eleven v4, six fois plus cher. |
Transcription : une égalité présentée comme une victoire. Le texte de l’annonce affirme que Voxtral Small Transcribe 3 « surpasse Whisper, Scribe v2 et Gemini 3.5 Transcribe ». Microsoft ne figure pas dans cette phrase, alors qu’il apparaît sur le graphique au même niveau que Voxtral. La fiche technique du modèle va plus loin et range Microsoft AI Transcribe 2 parmi les modèles surpassés. Sur la précision de transcription, ce n’est vrai sur aucun des deux graphiques de Mistral qui les comparent : égalité sur l’un, léger retard sur l’autre. Voxtral ne devance nettement Microsoft que sur l’identification des locuteurs.
Temps réel : l’oreille de l’agent derrière Google sur le test de Mistral. C’est le modèle qui compte le plus pour un agent vocal, puisque c’est lui qui écoute pendant l’appel. Le graphique le montre à quatre réglages de délai : 5,7 % d’erreurs en attendant 2,4 secondes, 6,0 % à 960 ms, 6,4 % à 480 ms et 7,4 % à 240 ms. Plus on veut répondre vite, plus il se trompe. Au réglage qui correspond à la promesse « sous 500 ms », il commet environ moitié plus d’erreurs que le modèle temps réel de Google (4,2 %). Le graphique n’indique pas à quel délai Gemini a été mesuré, ce qui limite la comparaison. Au même réglage, Voxtral devance GPT Live Transcribe d’OpenAI (8,4 %) et Scribe v2 Realtime d’ElevenLabs (8,7 %), mais reste derrière la version temps réel de Microsoft (5,8 %).
Identification des locuteurs : premier, mais loin d’être infaillible. C’est la fonction qui permet, en réunion, de savoir qui a dit quoi. La mesure utilisée, le cpWER, compte à la fois les mots mal transcrits et ceux attribués à la mauvaise personne, sur des enregistrements de réunions et d’appels téléphoniques. Voxtral Small Transcribe 3 y obtient le meilleur score, 18,4 %, contre 30,9 % pour la génération précédente (Voxtral Mini Transcribe 2) et 38,4 % pour Gemini 3.5 Transcribe. Le progrès est spectaculaire. Mais un compte rendu automatique de réunion contiendra encore, sur ces tests, environ un mot sur cinq ou six à corriger.
Synthèse vocale : moins chère, pas plus fidèle sur ce qui compte en service client. Le test Voice Code Bench, conçu par la société BeSimple AI, vise précisément les échecs typiques du service client : lire un numéro de dossier, une adresse électronique, un nom propre. Sur 300 phrases en anglais, Voxtral TTS produit 79,7 % d’extraits fidèles. Eleven v4 d’ElevenLabs atteint 98,3 %, et sa version Turbo 97,5 %. Mistral présente ce résultat en « qualité par dollar », où son modèle, à 13 $ le million de caractères contre 40 et 80 $, apparaît en bonne position. En clair, sur ces phrases, la voix de Mistral se trompe environ une fois sur cinq, celle d’ElevenLabs moins de deux fois sur cent. Sur d’autres tests, Voxtral fait jeu égal ou mieux : premier sur le contrôle de la prononciation de mots rares (86,8 % contre 68,2 % pour Eleven v4), à égalité avec Eleven v4 sur la qualité moyenne dans 11 langues (3,16 contre 3,17 sur 5).
Une réserve vaut pour tous ces tests de synthèse vocale : ils sont notés par un modèle d’IA, gemini-3.8-flash de Google, et trois des quatre sont signalés par Mistral comme des évaluations internes.
Voxtral contre Whisper : l’écart est réel
Whisper large-v3, le modèle de transcription ouvert d’OpenAI, reste la référence gratuite que beaucoup utilisent. Sur le test FLEURS de l’annonce (45 langues), il commet 14,9 % d’erreurs quand la langue est indiquée et 16,0 % quand il doit la deviner, contre 4,0 et 4,1 % pour Voxtral Small Transcribe 3 : près de quatre fois plus. Sur l’indice d’Artificial Analysis reproduit dans l’annonce, l’écart se réduit mais reste du simple au double, 4,07 % contre 2,10 %.
La comparaison a toutefois une limite : Whisper est téléchargeable et gratuit, Voxtral 3 ne l’est pas. Pour une transcription locale, sur son propre ordinateur, l’alternative ouverte à Whisper reste le Voxtral Small de 2025.
Les mesures indépendantes : un vrai progrès, pas une domination
Artificial Analysis, qui évalue les modèles d’IA indépendamment des éditeurs, a intégré Voxtral 3 dans ses classements. Son indice de transcription combine trois jeux de données, dont un de conversations avec des agents qui compte pour moitié.
En transcription différée, au 28 octobre 2026, Voxtral Small Transcribe 3 est troisième avec 2,1 % d’erreurs, derrière Fun-Realtime-ASR-preview d’Alibaba (1,7 %) et MAI-Transcribe-2 de Microsoft (2,0 %). Ce dernier est aussi moins cher dans ce classement : 1,67 $ les 1 000 minutes, contre 4 $ pour Voxtral Small Transcribe 3. Plus loin, on trouve Scribe v2 d’ElevenLabs et Voxtral Mini Transcribe 3 (2,2 %), Gemini 3.5 Transcribe (2,6 %) et GPT Transcribe d’OpenAI (3,3 %). Par rapport à Voxtral Mini Transcribe 2 (3,6 %), le progrès est net.
En temps réel, la mesure qui intéresse directement un agent vocal, le classement donne ceci :
| Modèle (temps réel) | Taux d'erreur | Délai jusqu'à la transcription définitive |
|---|---|---|
| MAI-Transcribe-2-Streaming (Microsoft) | 2,51 % | 0,13 s |
| Grok Voice Transcribe 2.0 | 2,73 % | 0,49 s |
| Voxtral Mini Transcribe Realtime 3, réglage 960 ms | 3,34 % | 1,12 s |
| Voxtral Mini Transcribe Realtime 3, réglage 480 ms | 3,57 % | 0,75 s |
| Scribe v2 Realtime (ElevenLabs) | 3,59 % | 0,14 s |
| GPT Live Transcribe (OpenAI) | 3,92 % | 0,81 s |
| Gemini 3.5 Transcribe Live (Google) | 4,00 % | 0,40 s |
| Voxtral Mini Transcribe Realtime (février 2026, ouvert) | 5,24 % | 0,68 s |
Trois enseignements. D’abord, l’oreille de Voxtral 3 progresse fortement par rapport à la version ouverte de février (3,57 % d’erreurs contre 5,24 %) et se place au niveau d’ElevenLabs, devant OpenAI et Google. Ensuite, l’ordre dépend du test : sur le graphique multilingue de Mistral, Google passait devant ; sur l’indice d’Artificial Analysis, c’est l’inverse. Pour un centre d’appels francophone, aucun des deux ne dispense d’un essai sur ses propres appels.
Enfin, la latence. Au réglage de 480 ms, Artificial Analysis mesure 0,75 seconde entre la fin de la parole et la transcription définitive, contre 0,13 à 0,14 seconde pour Microsoft et ElevenLabs. Les « moins de 500 ms » de Mistral désignent un réglage de délai, pas cette mesure. Cela ne contredit pas forcément la promesse d’un tour de parole en moins d’une seconde, puisque Mistral dit faire travailler les étapes en parallèle, mais la marge est mince. Au 28 octobre, nous n’avons trouvé aucune mesure indépendante d’un agent complet, écoute, raisonnement, outils et voix.
50 langues ? Ce que l’agent entend, et ce qu’il sait dire
Selon l’annonce, Voxtral 3 comprend 50 langues en transcription différée, dont les 24 langues officielles de l’Union européenne et de nombreuses langues asiatiques et indiennes. C’est un saut considérable par rapport aux 13 langues de février.
Mais l’agent vocal ne s’appuie pas sur ce modèle. Son oreille, le modèle temps réel, couvre « plus de 35 langues » selon le texte de l’annonce et « plus de 40 » selon sa fiche, sans liste unique. Et sa voix parle « plus de 35 langues et plus de 50 dialectes », sans liste publiée.
Les voix prêtes à l’emploi, celles qu’on peut utiliser sans enregistrer personne, existent en 18 langues. Parmi elles, sept langues officielles de l’UE (allemand, anglais, espagnol, français, grec, italien, néerlandais), plus le portugais dans sa seule variante brésilienne. Le polonais, le suédois, le tchèque ou le roumain n’ont pas de voix prête, même si la bibliothèque d’exemples de Mistral en fait entendre certaines. La voix française proposée est celle de France : pas de variante belge, suisse ou québécoise prête à l’emploi. Les « 24 langues officielles de l’UE » valent donc pour ce que Voxtral 3 entend, pas pour ce qu’il dit.
Souverain : ce que garantit l’hébergement européen, et ce qu’il ne garantit pas
L’hébergement européen est réel : Mistral propose un point d’accès en Europe, à côté de points d’accès américains et mondiaux. Encore faut-il choisir le bon. Mais l’endroit où les données sont traitées n’est qu’une partie de la question. L’autre est la durée pendant laquelle elles sont gardées.
Selon la politique de confidentialité de Mistral en vigueur depuis le 3 septembre 2026, les entrées et sorties de son API sont conservées « trente (30) jours glissants » pour surveiller les abus, sauf pour certaines API, et sauf activation de la « rétention zéro ». Pour l’API Agents, elles sont conservées jusqu’à la clôture du compte.
La rétention zéro existe, mais sous conditions. Selon la documentation de Mistral, elle est réservée aux offres payantes et aux appels « sans état », ceux qui ne gardent pas de mémoire d’un échange à l’autre. Elle se demande en justifiant d’un motif légitime, et Mistral l’accorde ou la refuse à sa discrétion. La transcription et la synthèse vocale y sont éligibles ; les agents et les conversations en sont exclus. L’API d’agent vocal de Voxtral 3 n’apparaît dans aucune des deux listes.
Pour une entreprise qui ferait passer par un agent vocal des appels de clients, avec parfois des données bancaires ou de santé, la question à poser à Mistral avant tout déploiement est donc simple : quel régime de conservation s’applique à cette API ? C’est le même réflexe que nous recommandions pour savoir qui traite vos données quand une banque ou un service de santé utilise une IA. La souveraineté a d’autres dimensions, que l’on retrouve dans l’hébergement par Mistral d’un modèle chinois : une infrastructure européenne ne dit pas tout de ce qui y tourne.
Quant au déploiement sur ses propres serveurs, il est possible, mais par contrat avec Mistral, puisque les modèles ne sont pas publiés. C’est une option réelle de maîtrise des données. Ce n’est pas une indépendance vis-à-vis de l’éditeur.
Clonage de voix : l’obligation de dire « je suis une IA »
Avec Pro Voice, une entreprise peut faire parler son agent avec la voix d’une personne réelle, à partir de 30 minutes d’enregistrement. L’annonce le présente comme le moyen de répondre avec la voix propre d’une marque. Plus la voix est humaine, plus une règle compte.
L’article 50 du règlement européen sur l’IA impose que les personnes qui interagissent directement avec un système d’IA soient informées qu’elles parlent à une IA, sauf si c’est évident pour une personne raisonnablement attentive. Cette information doit être donnée de façon claire, au plus tard lors de la première interaction. Selon l’article 113 du règlement, cette obligation s’applique depuis le 2 août 2026. L’obligation pèse sur le fournisseur du système, qui peut être l’entreprise elle-même si elle construit son agent et le met en service sous son nom. Un agent vocal à la voix humaine doit donc l’annoncer dès le début de l’appel. Les autres échéances du texte sont détaillées dans notre article sur ce qui change avec l’AI Act.
Ce qu’il faudra vérifier
- Un test indépendant d’un agent complet. Délai réel d’un tour de parole, erreurs sur les numéros de dossier et les adresses, gestion des interruptions : rien de cela n’est encore mesuré hors de Mistral.
- Le modèle derrière le tarif à 0,08 $. Mistral parle d’« un modèle plus grand » sans le nommer.
- La fin de la préversion. Les modèles sont en « Public Preview » : les prix et les performances peuvent encore bouger.
- D’éventuels poids publiés. Aucun pour Voxtral 3, et toujours aucun pour Mistral Large 4, trois semaines après son annonce.
- Le régime de conservation de l’API d’agent vocal, absent de la documentation sur la rétention zéro.
- La liste complète des langues de synthèse, annoncées à « plus de 35 ».
Voxtral 3 marque un progrès net sur la génération précédente, et son prix d’appel est bas pour un agent vocal complet. Notre classement des IA audio et voix le suit déjà. Mais un agent vocal ne se juge pas à son meilleur graphique. Il se juge au numéro de dossier qu’il lit correctement à un client pressé, à la seconde qu’il met à répondre, et à ce que deviennent les conversations une fois l’appel terminé. Sur ces trois points, les chiffres publiés à ce jour invitent à tester avant de signer.