Voxtral 3 : Mistral construit une stack pour les agents vocaux
Voxtral 3 de Mistral, ce sont des modèles de transcription et de synthèse vocale et un SDK pour agents vocaux, dès 0,0035 $ la minute. Fonctions et prix en détail.
Cet article dans d’autres langues :العربيةDeutschEnglishEspañolItaliano日本語Polski简体中文
Dans cet article
Le 20 octobre, Mistral a publié Voxtral 3, une nouvelle famille de modèles de reconnaissance vocale (speech-to-text) et de synthèse vocale (text-to-speech), accompagnée d’un SDK pour créer des agents vocaux. Le tout est disponible via l’API de Mistral, et l’annonce a récolté près de 500 points dans le fil Hacker News.
Quoi de neuf dans Voxtral 3 ?
D’après l’annonce, Voxtral 3, c’est quatre modèles et un SDK :
- Voxtral Small Transcribe 3 – le modèle de transcription le plus précis, avec reconnaissance des locuteurs (la « diarization »), suggestions de termes techniques et détection de fin de prise de parole.
- Voxtral Mini Transcribe 3 – un modèle plus petit (4B paramètres) pour la transcription.
- Voxtral Mini Transcribe Realtime 3 – transcription en direct avec une latence inférieure à 500 ms, pensée pour les agents.
- Voxtral Speech 3 – synthèse vocale avec contrôle de l’émotion, du rythme et de l’accentuation. D’après la documentation du modèle, le premier son arrive après environ 90 ms.
S’y ajoute un SDK pour agents vocaux construit sur LiveKit. L’écoute, le raisonnement, l’appel d’outils et la parole fonctionnent dans un seul flux et, selon Mistral, chaque tour de conversation est traité en moins d’une seconde. L’agent peut utiliser la recherche web et les données de nos propres systèmes, et on peut s’y connecter via SIP (c’est-à-dire un téléphone classique) ou WebRTC.
Voxtral Speech 3 sait aussi cloner des voix. Le clonage de base demande plus de 30 minutes d’enregistrements, et pour un usage professionnel Mistral propose la « Pro Voice », qui d’après l’annonce restitue aussi le style caractéristique du locuteur.
Combien coûte Voxtral 3 ?
Tarifs de l’annonce :
| Modèle | Prix |
|---|---|
| Voxtral Small Transcribe 3 | 0,004 $ la minute |
| Voxtral Mini Transcribe 3 | 0,0035 $ la minute |
| Voxtral Mini Transcribe Realtime 3 | 0,008 $ la minute |
| Voxtral Speech 3 | 13 $ par million de caractères |
| API d’agents vocaux | 0,04 $ la minute (avec Mistral Small 4) ou 0,08 $ la minute (avec un autre modèle) |
Une heure de transcription avec le plus petit modèle revient donc à environ 21 cents. Mistral se compare ici à Whisper, ElevenLabs, Deepgram et Gemini, mais il s’agit uniquement de mesures de l’entreprise elle-même, donc j’attendrai des tests indépendants avant de me prononcer.
Voxtral 3 fonctionne-t-il en français ?
Oui, au moins pour la transcription. D’après l’annonce, les modèles de reconnaissance vocale prennent en charge plus de 50 langues, dont les 24 langues officielles de l’UE, selon le benchmark FLEURS.
Pour la synthèse vocale, c’est moins clair. L’annonce évoque plus de 35 langues et 50 dialectes dans la bibliothèque de voix, mais la fiche du modèle dans la documentation indique 9 langues (teste la voix dans ta langue dans le playground avant de bâtir quoi que ce soit dessus).
Y a-t-il un problème ?
Oui, et c’est justement ce qui domine la discussion sur Hacker News. Les précédents modèles Voxtral avaient des poids ouverts (par exemple Voxtral Mini 3B sur Hugging Face), mais l’annonce de Voxtral 3 ne mentionne ni poids ni licence. Mistral parle de « self-deployment on your own infrastructure », mais un déploiement on-premise nécessite de contacter l’équipe commerciale. Un commentateur l’a résumé en trois mots : « Closed model unfortunately ».
Les avis sur la qualité sont eux aussi partagés. Certains saluent la transcription et la reconnaissance des locuteurs des versions précédentes, d’autres écrivent que les nouvelles voix de la démo sonnent plus artificielles et recommandent Parakeet pour la transcription en local. Prenons donc l’annonce avec recul tant que nous n’avons pas vu de tests plus larges.
Comment essayer Voxtral 3 ?
Nous avons deux options :
- Les playgrounds de Mistral Studio – on peut y tester la transcription, la synthèse vocale, le clonage de voix et les agents vocaux, après connexion à la console Mistral.
- L’API – on génère la clé dans la console, et les détails sont dans la documentation audio. Les endpoints fonctionnent dans l’UE, aux États-Unis et en global.
Si nous cherchons quelque chose à faire tourner chez nous, Voxtral 3 ne fera pas l’affaire (du moins pour l’instant). Mieux vaut alors se tourner vers les anciennes versions ouvertes et faire tourner l’IA en local. Et pour qui construit un agent vocal rapide, on peut comparer Voxtral 3 avec Mercury Voice, présenté par Inception en même temps que Mercury 3.
FAQ
Voxtral 3 est-il open source ?
Rien ne l’indique pour l’instant. L’annonce ne donne ni licence ni liens vers les poids, et le déploiement sur sa propre infrastructure nécessite de contacter Mistral. Ce sont les anciens modèles Voxtral qui ont des poids ouverts.
Combien coûte la transcription avec Voxtral 3 ?
De 0,0035 $ la minute (Voxtral Mini Transcribe 3) à 0,008 $ la minute en mode direct. La synthèse vocale coûte 13 $ par million de caractères.
En quoi Voxtral 3 diffère-t-il du précédent Voxtral ?
Les versions précédentes étaient des modèles séparés de transcription ou de synthèse vocale, en grande partie à poids ouverts. Voxtral 3 est toute une famille de modèles plus un SDK pour agents vocaux, disponible via l’API.