Présentation

Voxtral 3 est la nouvelle famille de modèles de reconnaissance et de génération vocale de Mistral, accompagnée d’un SDK dédié aux agents conversationnels. Le système couvre plus de 50 langues, dont les 24 langues officielles de l’UE et de nombreuses langues asiatiques et indiennes à faibles ressources. Il propose une chaîne unique – écoute, raisonnement, appel d’outils, parole – fonctionnant en flux continu, ce qui le rend adapté aux centres de contact, assistants virtuels et copilotes mains‑libres.

Architecture et modèles

Le pipeline repose sur deux modèles principaux : Voxtral Small Transcribe 3 pour la transcription et Voxtral Mini TTS 3 pour la synthèse. Le modèle de transcription intègre la diarisation (identification du locuteur), le biaisage contextuel via des mots‑clés, et la détection de fin de tour (end‑of‑turn) qui combine informations acoustiques et sémantiques afin de répondre dès que l’interlocuteur a terminé de parler. La version « Small » atteint un niveau de performance supérieur à Whisper, Scribe v2 et Gemini 3.5 Transcribe sur l’anglais, le français et l’espagnol. Le modèle TTS, de 4 milliards de paramètres, ajuste émotion, rythme et emphase en fonction du contexte, et supporte plus de 35 langues et 50 dialectes.

Performances et coûts

Sur le plan technique, le modèle de transcription en temps réel (Realtime Transcribe 3) délivre des résultats en moins de 500 ms de latence pour plus de 35 langues, tout en conservant la diarisation et le biaisage contextuel. Le coût de la transcription Small est de 0,0035 $ par minute, tandis que la synthèse TTS est facturée à 13 $ pour un million de caractères, ce qui reste inférieur aux offres concurrentes d’OpenAI (TTS‑1), Deepgram, ElevenLabs Flash et Gemini Flash. La fonction Pro Voice permet de cloner la voix d’un locuteur avec seulement 30 minutes d’audio, reproduisant le timbre, la gamme émotionnelle et le style d’élocution sur l’ensemble des langues supportées.

Déploiement et souveraineté

Voxtral 3 est accessible via l’API hébergée dans l’Union européenne ou en auto‑déploiement sur l’infrastructure du client. Cette double option garantit la souveraineté des données : les organisations contrôlent le lieu de traitement, la rétention des conversations et les flux d’information vers les systèmes externes. Le SDK expose des primitives de streaming qui synchronisent écoute, raisonnement et appel d’outils, permettant ainsi d’automatiser des workflows complexes sans interruption perceptible pour l’utilisateur.