Mistral AI réunit voix et outils dans Voxtral 3

Mistral AI lance Voxtral 3 le 20 octobre 2026. Cette famille de modèles de langage vise les agents vocaux en temps réel. Le système réunit l’écoute, le traitement du langage et la parole dans une même offre. Mistral AI présente ainsi Voxtral 3 comme une base dédiée aux conversations vocales. Les agents peuvent également accéder à des systèmes externes pendant les conversations en direct. Cette fonction relie donc l’échange vocal à des services utilisés pendant l’appel. Voxtral 3 ne se limite pas à la transcription ou à la restitution audio. Il rassemble ces fonctions autour d’agents capables d’interagir en temps réel. Lire l’annonce de Mistral AI.

Deux modèles audio composent cette offre. Voxtral Small Transcribe 3 assure la conversion de la parole en texte. Voxtral Mini TTS 3 transforme ensuite du texte en parole. La transcription couvre plus de 50 langues. La synthèse vocale prend en charge plus de 35 langues et 50 dialectes. Elle inclut aussi une adaptation émotionnelle. Ces deux modèles couvrent donc les principales étapes audio d’un agent vocal. Le premier traite la parole entrante. Le second produit la réponse parlée. Mistral AI les présente ensemble au sein de Voxtral 3. La documentation audio de Mistral AI décrit l’accès aux fonctions vocales proposées par la plateforme. Consulter la documentation audio.

Voxtral 3 combine écoute et parole

Une couverture linguistique distingue les deux briques audio de Voxtral 3. Voxtral Small Transcribe 3 fonctionne dans plus de 50 langues. Voxtral Mini TTS 3 génère des réponses dans plus de 35 langues. Ce second modèle prend aussi en charge 50 dialectes. Son adaptation émotionnelle concerne la sortie vocale. Ces chiffres décrivent des capacités distinctes de transcription et de synthèse. Ils donnent aux agents vocaux une couverture linguistique différente selon l’étape concernée. La transcription traite les propos de l’utilisateur. La synthèse restitue la réponse de l’agent. Mistral AI associe ces modèles dans une famille conçue pour les interactions vocales en temps réel. Voir les informations publiées par Mistral AI.

Des systèmes externes peuvent être mobilisés pendant une conversation en direct. Cette capacité figure parmi les fonctions de Voxtral 3 pour les agents vocaux. L’agent peut donc accéder à des systèmes externes alors que l’échange se poursuit. Le fait concerne l’utilisation de services pendant la conversation, sans préciser leur nature. Voxtral 3 associe ainsi les modèles audio à cette possibilité d’accès. La transcription convertit la parole en texte. Le modèle de langage peut ensuite traiter cette interaction. La synthèse vocale restitue une réponse dans les langues et dialectes pris en charge. L’ensemble est présenté comme une pile destinée aux agents vocaux en temps réel.

Mistral affiche un tarif à la minute

Le tarif commence à 0,0035 dollar par minute pour la transcription. Ce prix concerne la fonction de conversion de la parole en texte. Il ne décrit pas le coût global de chaque agent vocal. Voxtral 3 regroupe pourtant plusieurs composants, dont la transcription et la synthèse vocale. La tarification annoncée porte donc précisément sur la transcription. Cette donnée permet d’identifier un prix d’entrée pour l’usage de Voxtral Small Transcribe 3. La couverture dépasse 50 langues. La sortie vocale reste assurée par Voxtral Mini TTS 3, avec plus de 35 langues, 50 dialectes et une adaptation émotionnelle. Mistral AI a annoncé Voxtral 3 le 20 octobre 2026.