Mistral promet des agents vocaux capables de répondre au téléphone en moins d'une seconde

Moins d'une seconde. C'est le temps que met, selon Mistral AI, un agent vocal construit avec Voxtral 3 pour entendre une question, la comprendre, interroger un système et répondre à voix haute. La start-up française a présenté le 20 octobre cette nouvelle famille de modèles vocaux, accompagnée d'un kit de développement pour fabriquer des assistants capables de décrocher un appel téléphonique.

L'offre est disponible dès maintenant par l'API de Mistral, avec des points d'accès européens, américains et mondiaux. Elle comprend trois modèles de transcription et un modèle de synthèse vocale. Selon l'éditeur, la transcription couvre plus de 50 langues, dont les 24 langues officielles de l'Union européenne, et la synthèse vocale plus de 35 langues.

Que contient la famille Voxtral 3 ?

• Voxtral Small Transcribe 3, présenté comme le plus précis, à 0,004 dollar la minute ;
• Voxtral Mini Transcribe 3, un modèle de 4 milliards de paramètres pour transcrire des fichiers, à 0,0035 dollar la minute ;
• Voxtral Mini Transcribe Realtime 3, pour la transcription en direct avec moins de 500 millisecondes de latence selon Mistral, à 0,008 dollar la minute ;
• Voxtral Mini TTS 3, qui transforme le texte en voix, à 13 dollars le million de caractères.

La transcription sait distinguer qui parle, et elle accepte une liste de termes métier pour mieux reconnaître le vocabulaire technique, sans réentraînement. Le kit pour agents, bâti sur le logiciel libre LiveKit, enchaîne écoute, raisonnement et réponse. Il se branche sur la téléphonie (SIP) et sur les navigateurs (WebRTC), s'interrompt quand l'interlocuteur lui coupe la parole, et peut appeler des outils ou interroger des documents internes. Avec le modèle Mistral Small 4 comme « cerveau », l'agent coûte 0,04 dollar la minute.

Des performances à confirmer par d'autres

Mistral affirme que son modèle de transcription fait mieux que Whisper (OpenAI), Scribe v2 (ElevenLabs) et Gemini 3.5 Transcribe (Google). Sur le test multilingue FLEURS, ses graphiques donnent 4,1 % de mots erronés à Voxtral Small Transcribe 3, contre 16 % à Whisper large-v3. Mais ces mesures ont été réalisées par Mistral. Pour la synthèse vocale, un seul test a été confié à une société extérieure, BeSimple AI, et il est noté par un modèle d'IA de Google. Le reste provient d'évaluations internes. Aucune évaluation indépendante n'était disponible au moment de la rédaction.

Autre inconnue : la licence. Les premiers modèles Voxtral, en juillet 2025, avaient été publiés avec leurs poids sous licence libre Apache 2.0. La page de Voxtral 3 ne dit rien de tel. Elle évoque seulement un déploiement sur l'infrastructure du client, sur demande auprès des équipes commerciales.

Ce qu'il faut regarder avant de se lancer

Pour un centre d'appels ou un service client, l'intérêt est clair : un fournisseur européen, un hébergement possible dans l'Union et la maîtrise de la conservation des enregistrements, selon Mistral. Quelques points méritent pourtant attention :

• Le clonage de voix : Mistral propose de reproduire une voix à partir d'environ trente minutes d'enregistrement. La page ne décrit aucun garde-fou contre les abus, alors que l'imitation de la voix d'un dirigeant sert déjà aux arnaques au virement.
• Les données vocales : une voix est une donnée personnelle. Il faut informer les appelants, fixer une durée de conservation et vérifier où les enregistrements sont traités.
• Les tests : à faire sur vos propres enregistrements, avec vos accents et votre jargon, plutôt que sur la foi des graphiques de l'éditeur.

Après Timestral pour les prévisions et Mistral Large 4, la start-up multiplie les modèles spécialisés en octobre. Prochaine étape annoncée : la publication des poids de Large 4, promise par Mistral d'ici la fin du mois. Pour Voxtral 3, la question de la licence reste ouverte.