Mistral a dévoilé Voxtral 3, une nouvelle famille de modèles vocaux accompagnée d'un SDK pour agents vocaux, conçue pour gérer des conversations en temps réel dans plus de 50 langues. L'entreprise française d'intelligence artificielle indique que cette suite réunit transcription, raisonnement, synthèse vocale et appel d'outils dans un seul pipeline en flux continu.
Ce lancement cible les centres de contact, les assistants virtuels et les copilotes mains libres. Voxtral 3 est disponible dès aujourd'hui via l'API hébergée dans l'UE par Mistral, ou en auto-déploiement sur l'infrastructure du client, ce qui permet de garder le traitement audio dans des environnements maîtrisés.
Les modèles vocaux Voxtral 3 et les capacités du SDK
La famille Voxtral 3 comprend deux modèles vocaux. Voxtral Small Transcribe 3 assure la transcription multilingue avec diarisation des locuteurs, orientation contextuelle pour le vocabulaire technique et détection de fin de tour afin que les agents répondent sans délai. Selon Mistral, il surpasse Whisper, Scribe v2 et Gemini 3.5 Transcribe en anglais, en français et en espagnol, avec un taux d'erreur sur les mots pouvant descendre à 4,0 %.
Pour la sortie vocale, Voxtral Mini TTS 3 génère des voix naturelles qui adaptent l'émotion, le rythme et l'accentuation au contexte de la conversation, en couvrant plus de 35 langues et plus de 50 dialectes. Une variante Mini du modèle de transcription, dotée de 4 milliards de paramètres, transcrit à 0,0035 dollar la minute.
Le SDK d'agents vocaux relie écoute, raisonnement et action. Les agents peuvent récupérer des informations, interagir avec les systèmes métier et accomplir des tâches pendant des conversations en direct par téléphone ou sur le web. Pour les usages professionnels, l'adaptation Pro Voice reproduit le timbre distinctif et l'éventail émotionnel d'un locuteur dans plusieurs langues à partir de seulement 30 minutes d'audio.
