Voxtral 3 de Mistral : transcription, voix et agents vocaux

Voxtral 3 est la nouvelle famille de modèles vocaux de Mistral AI, sortie le 20 octobre 2026. Elle regroupe deux modèles de transcription, un modèle de synthèse vocale et un SDK pour assembler un agent qui écoute, réfléchit et répond à voix haute, en temps réel. Pour une PME, l'intérêt tient en une phrase : un seul fournisseur européen pour automatiser un standard téléphonique, une prise de rendez-vous ou la transcription de réunions, avec la possibilité d'héberger le tout sur sa propre infrastructure.

Je suis Olivier Démontant, développeur web freelance, et je regarde ces briques sous l'angle de l'automatisation. Voici ce que Mistral annonce, ce que ça coûte et comment je procéderais pour un premier prototype. Les chiffres de précision sont ceux de Mistral, pas des mesures personnelle

En bref

• Date de sortie : 20 octobre 2026.

• Trois modèles + un SDK : Small Transcribe 3, Mini Transcribe 3, Mini TTS 3, et un SDK d'agent vocal basé sur LiveKit.

• Langues : plus de 50 en transcription, plus de 35 en synthèse vocale.

• Prix annoncés : 0,0035 $/min en batch, 0,008 $/min en temps réel, 13 $ par million de caractères pour la voix.

• Hébergement : API Mistral (EU, US, global) ou installation sur sa propre infrastructure.

• Limite principale : environ 4 % d'erreur annoncés par Mistral, à vérifier sur vos propres audios.

Mis à jour le 22 octobre 2026 — d'après l'annonce de Mistral du 20 octobre 2026 et la documentation officielle.

Qu'est-ce que Voxtral 3, concrètement ?

Voxtral 3 couvre toute la chaîne d'un agent vocal : transcrire la parole, laisser un modèle de langage décider quoi faire, puis répondre avec une voix de synthèse. Chaque brique est indépendante : on change de modèle, de voix ou de langue sans reconstruire l'agent.

BriqueRôleÀ retenirVoxtral Small Transcribe 3Transcription50+ langues, diarisation, context biasing, détection de fin de tourVoxtral Mini Transcribe 3Transcription (4B)0,0035 $/min en batch, 0,008 $/min en temps réel, latence sous 500 msVoxtral Mini TTS 3Synthèse vocale35+ langues et 50+ dialectes, clonage de voix, 13 $ le million de caractères

Le SDK d'agent vocal s'appuie sur LiveKit. Il fait tourner transcription, raisonnement, appels d'outils et génération de voix dans un seul flux, en gardant les tours de parole sous la seconde et en coupant l'agent quand l'interlocuteur l'interrompt. La connexion passe par SIP (téléphonie) ou WebRTC (navigateur).

Pour qui, et pour quels usages ?

Voxtral 3 s'adresse aux PME et aux indépendants qui ont un volume d'appels ou d'enregistrements assez régulier pour justifier une automatisation. Si vous recevez quelques appels par semaine, un répondeur classique suffit.

Voici comment je procéderais pour deux cas d'usage. Ce sont des scénarios, pas des retours de projet.

Prise de rendez-vous par téléphone. L'appel arrive en SIP, Voxtral transcrit, un modèle comme Mistral Small interroge l'agenda via un appel d'outil, puis la voix de synthèse confirme le créneau. C'est la version vocale de ce que je décris dans le chatbot IA de prise de rendez-vous pour un cabinet d'avocat.

Transcription de réunions. La diarisation sépare les intervenants, et le context biasing permet de fournir les termes métier (noms de produits, jargon) pour limiter les erreurs. C'est un bon premier test, car il ne demande ni téléphonie ni temps réel.

Pour d'autres processus à confier à un agent, voyez 5 exemples concrets d'agents IA.

Un exemple de code pour démarrer

Le plus simple est de partir de la documentation officielle. L'exemple ci-dessous vient de la doc Mistral et utilise le modèle de la génération précédente, voxtral-mini-transcribe-realtime-2602. Je ne l'ai pas encore adapté aux identifiants de Voxtral 3, que la documentation que j'ai consultée ne détaille pas encore.

from mistralai.client import Mistral
from mistralai.client.models import AudioFormat

client = Mistral(api_key="YOUR_MISTRAL_API_KEY")
audio_format = AudioFormat(encoding="pcm_s16le", sample_rate=16000)
async def main():
    async for event in client.audio.realtime.transcribe_stream(
        audio_stream=audio_stream,  # n'importe quel flux d'octets PCM
        model="voxtral-mini-transcribe-realtime-2602",
        audio_format=audio_format,
        target_streaming_delay_ms=1000,
    ):
        ...  # événements : texte partiel, fin de transcription, erreur

Le paramètre target_streaming_delay_ms règle le compromis entre latence et précision.

Les tarifs de Voxtral 3

Les tarifs annoncés sont bas. Calcul sur le prix catalogue : 10 heures d'enregistrements font 600 minutes, soit 2,10 $ en batch ou 4,80 $ en temps réel. La voix de synthèse coûte 13 $ le million de caractères. Ces montants excluent le modèle de langage, la téléphonie et l'hébergement. Tarifs à vérifier sur le site officiel de Mistral avant tout chiffrage client.

Les limites à connaître avant de se lancer

Trois points méritent de la prudence. Les benchmarks viennent de Mistral : environ 4 % d'erreur sur le jeu FLEURS (45 langues) est un bon signal, mais un appel téléphonique bruité n'est pas FLEURS. La documentation que j'ai consultée décrit encore la génération précédente, donc les identifiants d'API de Voxtral 3 sont à confirmer avant de coder. Enfin, je n'ai trouvé aucune information sur d'éventuels poids ouverts.

Cadrer un premier prototype vocal, c'est typiquement le travail d'un service d'automatisation et IA : choisir le cas d'usage, mesurer sur vos données, puis décider.

Ce qu'il faut retenir

• Voxtral 3 couvre transcription, voix et agents vocaux.

• Tarifs publics bas : 0,0035 $/min en batch.

• Hébergement possible dans l'UE ou sur votre infrastructure.

• Précision annoncée par Mistral : testez sur vos audios.

• Commencez par un cas simple : réunions ou rendez-vous.

Questions fréquentes

Voxtral 3 est-il open source ? Je n'ai pas trouvé de précision sur les poids ouverts pour Voxtral 3. La génération précédente, Voxtral Realtime (4B), était publiée sous licence Apache 2.0. Vérifiez la page officielle du modèle avant de supposer la même chose.

Voxtral 3 comprend-il le français ? Mistral annonce plus de 50 langues en transcription. La liste détaillée est à consulter dans la documentation, et le plus sûr reste de tester sur vos propres enregistrements en français.

Peut-on utiliser Voxtral 3 avec Make ou n8n ? Pour la transcription en batch, un simple appel HTTP à l'API suffit, donc oui. Le temps réel repose sur un flux audio continu, plus adapté au SDK qu'à un scénario no-code.

---

Si vous voulez tester un agent vocal sur un de vos processus, on peut en parler. Le premier échange est gratuit — contactez-moi ou réservez un appel.