Réflexion
Résumé
Voxtral 3 introduit un SDK d'agents vocaux de pointe et des modèles vocaux à l'état de l'art conçus pour des conversations en temps réel et en plusieurs étapes dans plus de 50 langues. Il combine une transcription précise, une synthèse vocale naturelle avec une adaptabilité émotionnelle et une intégration approfondie des outils pour une automatisation fluide des flux de travail. Disponible via l'API hébergée dans l'UE de Mistral ou en auto-hébergement, il garantit la souveraineté des données tout en offrant des interactions à faible latence et d'apparence humaine pour les centres de contact, les assistants virtuels et les copilotes mains libres.
La transcription vocale et la génération de la parole ont fait d'énormes progrès, mais la création d'agents vocaux de bout en bout capables d'écouter, de raisonner, d'interagir et de gérer des flux de travail complexes reste difficile.
Un agent vocal fiable doit faire quatre choses très bien (et simultanément) :
Écouter avec précision à travers les langues, les accents, les locuteurs et les interruptions,
Raisonner profondément sur ce que les utilisateurs veulent dire dans des contextes précis,
Parler naturellement avec émotion et expression, et
Agir en plusieurs étapes via des systèmes connectés.
Faire fonctionner ces quatre aspects ensemble de manière fiable en temps réel reste un défi.
Pour y remédier, nous présentons Voxtral 3 : une nouvelle famille de modèles de reconnaissance vocale et de synthèse vocale à l'état de l'art, accompagnée d'un SDK d'agents vocaux qui réunit l'écoute, la réflexion, l'appel d'outils et la parole dans un seul pipeline de streaming en temps réel.
Voxtral 3 est conçu pour créer des expériences conversationnelles naturelles, des agents de centres de contact et services d'assistance aux assistants virtuels et copilotes mains libres. Avec la prise en charge de dizaines de langues, une parole expressive, un raisonnement complexe et une intégration approfondie avec vos propres outils et données, les agents construits avec Voxtral peuvent interpréter des intentions nuancées, raisonner sur des demandes sophistiquées et exécuter des actions en plusieurs étapes à travers des systèmes connectés.
Comme les autres modèles de Mistral, la famille Voxtral 3 est conçue pour un déploiement souverain. Disponible dès aujourd'hui via l'API hébergée dans l'UE de Mistral ou pour un auto-déploiement sur votre propre infrastructure, elle donne aux organisations le contrôle de l'endroit où l'audio est traité, de la manière dont les données sont gérées et de la conservation ou non des conversations.
Points forts
Transcription précise dans plus de 50 langues. Le modèle de reconnaissance vocale, Voxtral Small Transcribe 3, est à l'état de l'art pour la transcription multilingue, identifiant qui a dit quoi (diarisation) et utilisant des mots-clés pour améliorer sa précision (context-biasing). Il détecte la fin des prises de parole afin que les agents puissent répondre sans délai (détection de fin de tour).
Une parole naturelle qui s'adapte à la conversation. Le modèle de synthèse vocale, Voxtral Mini TTS 3, introduit de nouvelles voix qui ajustent leur émotion, leur rythme et leur emphase en fonction du contexte conversationnel, avec prise en charge de plus de 35 langues et plus de 50 dialectes.
Une intelligence proche de l'humain au service de vos commandes (vocales). Le nouveau SDK d'agents vocaux combine écoute, raisonnement, appel d'outils et parole en une expérience en temps réel. Les agents peuvent récupérer des informations, interagir avec les systèmes d'entreprise et accomplir des tâches pendant des conversations en direct par téléphone ou sur le web.
Pro Voice pour une adaptation vocale d'une précision remarquable. Pour les cas d'usage professionnels où le clonage vocal de base ne suffit pas, l'adaptation Pro Voice de Voxtral est capable de reproduire le caractère distinctif d'un locuteur, sa gamme émotionnelle et son style d'élocution dans plusieurs langues, à partir de seulement 30 minutes d'audio.
Votre IA vocale, sur votre infrastructure. Utilisez l'API hébergée dans l'UE de Mistral ou déployez Voxtral 3 sur votre propre infrastructure. Conservez les conversations sensibles dans votre environnement et contrôlez si du contenu audio est conservé.
Essayez Voxtral dès maintenant | En savoir plus
Il comprend plus de 50 langues, avec une précision à la pointe de l'état de l'art.
Voxtral Transcribe 3 représente une étape majeure en matière de transcription, de diarisation (qui a parlé et quand) et de biaisage par contexte. La liste des langues prises en charge est étendue à 50, dont 24 langues officielles de l'UE et de nombreuses langues asiatiques et indiennes à faible ressources.
La version Small obtient des résultats à l'état de l'art en diarisation et en transcription multilingue, notamment en anglais, en français et en espagnol. Elle surpasse Whisper, Scribe v2 et Gemini 3.5 Transcribe. La variante Mini compte 4B de paramètres, permettant des transcriptions rapides et précises au prix de $0.0035/min.
Les deux modèles prennent en charge le biaisage par contexte, où des termes clés et du texte libre peuvent être fournis pour orienter la transcription et améliorer le rappel sur les termes techniques. Cela permet de les utiliser en production avec un vocabulaire spécifique à un domaine sans nécessiter de fine-tuning.
FLEURS 45 Forcé vs Inféré
Taux d'erreur par mot — plus bas est mieux
Forcé
Inféré
WER en moyenne macro sur l'intersection des 45 langues du benchmark FLEURS prises en charge par les sept modèles. Le WER est utilisé pour toutes les langues, sauf le japonais, le coréen, le thaï et le chinois, qui utilisent le CER. Plus bas est mieux.
Forcé = langue spécifiée ; Déduit = langue détectée automatiquement. Langues : AR, BN, BG, CA, ZH, CS, DA, NL, EN, ET, FI, FR, DE, EL, GU, HI, HU, IS, ID, IT, JA, KN, KO, LV, LT, MK, MS, ML, MR, NO, FA, PL, PT, RO, RU, SK, SL, ES, SV, FIL, TE, TH, TR, UK, VI
Diarisation
cpWER (Concatenated Minimum Permutation WER) — plus bas est meilleur
cpWER (word error rate à permutation minimale concaténée) en macro-moyenne sur les benchmarks publics de diarisation : AMI-IHM, AMI-SDM, Switchboard, Switchboard CallHome, AISHELL-4. Pour une compatibilité maximale des baselines API, nous utilisons les versions de 30 minutes d'AMI et AISHELL. Plus bas est meilleur.
Benchmark de diarisation, Word Error Rate à permutation minimale concaténée (cpWER).
Rappel des mots-clés
Avec et sans incitation contextuelle — plus haut est meilleur
Sans contexte
Avec contexte
Voxtral Small Transcribe 3 est mis en évidence dans les couleurs de la marque. Rappel des mots-clés sur les benchmarks Earnings 22. Le biais de contexte contient des termes clés et un nombre d'échantillonné aléatoirement de distracteurs, allant de 0 à 100. Les barres sont des valeurs absolues superposées — la barre extérieure est le rappel avec contexte, la barre intérieure est le rappel sans contexte ; la bande visible représente le gain apporté par l'incitation contextuelle. Plus haut est meilleur.
Benchmark de rappel des mots-clés. Contexte = vocabulaire spécifique au domaine et noms des locuteurs fournis au modèle.
Benchmark Artificial Analysis
Word Error Rate — plus bas est meilleur
Indice WER d'Artificial Analysis, une moyenne pondérée sur VoxPopuli, Earnings-22 et AgentTalk.
Plus bas est meilleur.
Voxtral Realtime Transcribe 3 est un modèle de transcription en temps réel conçu pour les cas d'usage agentiques. Il produit des transcriptions de haute qualité avec une latence inférieure à 500 ms dans plus de 35 langues, y compris avec diarisation et biais de contexte.
FLEURS 35
Word Error Rate en transcription temps réel — plus bas est meilleur
WER en macro-moyenne sur 35 langues du benchmark FLEURS. Le WER est utilisé pour toutes les langues, sauf le japonais, le coréen et le chinois, qui utilisent le CER. Plus bas est meilleur. *Voxtral Mini Transcribe 3 est une baseline hors ligne. Les autres modèles sont en temps réel.
Langues : AR, BN, BG, CA, CS, NL, EN, ET, FI, FR, DE, EL, GU, HI, ID, IT, JA, KN, KO, LV, MK, MS, ML, MR, NO, FA, PL, PT, RO, RU, SK, ES, FIL, TE, TR
La prédiction de fin de tour est nativement prise en charge, en intégrant à la fois des informations acoustiques et sémantiques pour prédire avec précision quand un utilisateur a fini de parler. Cela permet des applications d'agents vocaux à faible latence, tout en minimisant les taux de coupures erronées lorsque l'utilisateur est interrompu prématurément.
Il répond avec la bonne émotion, dans la voix et le dialecte local de votre marque ou de celle de votre client.
Voxtral Mini TTS 3.0, disponible en batch et en temps réel, atteint une expressivité et un suivi d'instructions de pointe pour plus de 35 langues et plus de 50 dialectes. À 13 $ par 1M de caractères, Voxtral TTS coûte moins cher à faire tourner que les modèles comparables d'OpenAI TTS-1, Deepgram, ElevenLabs Flash et Gemini Flash.
Le modèle de parole interprète implicitement mieux la signification sémantique du contexte, produisant une parole naturelle dans une gamme variée d'émotions et de langues. Les fonctionnalités nouvelles et améliorées comprennent le clonage de voix à partir de plus de 30 minutes d'audio échantillonné, le suivi d'instructions personnalisées (IF), la TTS contextuelle et une bibliothèque de vocabulaire, tout cela au service de la fiabilité de la parole en déploiement. Les variables pour l'IF explicite incluent emotion, pacing, et emphasis.
Prompt
Mettons fin au débat ici : c'est GIF.Par défaut
Indice de phonème non standard : dʒ ɪ f
Prompt
Attends… Ce n’est pas possible. Ce tableau vient de Reims ? Mais alors… C’est celui que ma grand-mère cherchait depuis cinquante ans !Default
Non-standard phoneme hint: ʁ e i m s
Invite
Notre nouvel assistant s'appelle Quivello.Défaut
Indice phonémique non standard : tʃ i v ɛ l l o
Invite
Bonjour ! Je suis Xyra, ton assistante personnelle.Défaut
Indice phonémique non standard : z aɪ ɹ ə
Tout discours d'aspect naturel repose sur l'émotion, qui détermine sa prosodie, son rythme, son débit, ses emphases et ses transitions. Voxtral TTS interprète nativement le contexte textuel d'une invite pour déterminer l'émotion et le style de voix, ce qui rend le modèle intrinsèquement meilleur pour la parole naturelle sans nécessiter d'instructions ou d'invites vocales supplémentaires.
Voice Code Bench : qualité par dollar
Voice Code Bench, réalisé par BeSimple AI, se concentre sur les états d'échec du support client en entreprise liés aux nombres et aux noms uniques.
Autre TTS
Mistral
Vers le haut et à gauche, c'est mieux.
Voice Code Bench (BeSimple AI) : 300 invites en anglais, 2 voix par système (féminine et masculine) ; juge gemini-3.8-flash ; prix issus des pages de tarification des fournisseurs ; généré le 2026-10-20.
Contrôle de la prononciation : qualité par dollar
Partie des clips où le mot cible est prononcé comme prévu, avec ses phonèmes
Mistral
Autre TTS
Évaluation interne. Vers le haut et à gauche, c'est mieux. Les systèmes sans contrôle de prononciation documenté figurent dans les données, mais ne sont pas tracés.
300 phrases en anglais, chacune contenant un mot rare ou inventé (150 faciles, 150 difficiles), 2 voix par système ; le juge gemini-3.8-flash écoute le clip avec l'API prévue du mot ; prix issus des pages de tarification des fournisseurs ; généré le 2026-10-20.
Multilingue : qualité par dollar
Score moyen du juge sur 11 langues, 1 voix native par langue et par système
Autre TTS
Mistral
Évaluation interne. Vers le haut et à gauche, c'est mieux. Les systèmes couvrant moins de 11 langues figurent dans les données, mais ne sont pas tracés.
377 invites sélectionnées pour la publication, 11 langues, moyenne non pondérée des scores moyens du juge par langue, échelle de 1 à 5 ; juge gemini-3.8-flash ; prix issus des pages de tarification des fournisseurs ; généré le 2026-10-20.
Anglais expressif : qualité par dollar
Score moyen du juge sur one_eval, 237 invites sélectionnées pour la publication
Autre TTS
Mistral
Évaluation interne. Vers le haut et à gauche, c'est mieux.
Anglais expressif (one_eval) : 237 prompts sélectionnés pour la publication, 2 voix par système (Voxtral TTS : Sarah et James), échelle de 1 à 5 ; juge gemini-3.8-flash ; prix issus des pages tarifaires des fournisseurs ; généré le 2026-10-20.
Illustration de la montée en expressivité de Voxtral en hill-climbing, ainsi que des chiffres et des noms uniques.
Prompt
Merci d'appeler Mistral ! Je comprends que vous avez des difficultés à vous connecter à AI Studio. Puis-je confirmer votre adresse e-mail ? J'ai ici elena.vance82@yahoo.com, est-ce correct ?Voxtral 1
Voxtral 3
Prompt
Eh bien, c'était rapide, j'ai trouvé un vol pour votre prochain voyage. Que diriez-vous du vol Emirates à 21:00pm le 10/10 avec retour le 10/25 à 22:00pm pour £1881 ? Dites le mot, et je réserve un siège côté hublot tout de suite.Voxtral 1
Voxtral 3
Prompt
Wow, je n'arrive pas à croire que tu sois enceinte ! C'est tellement excitant, félicitations Corina, je suis tellement heureux pour toi !Voxtral 1
Voxtral 3
Prompt
Comment ça, mon passeport ne sera pas prêt cette semaine -- je vous ai dit plusieurs fois que je dois aller à Paris pour le travail. C'est ridicule. Je ne sais même pas par où commencer pour décrire à quel point c'est exaspérant.Voxtral 1
Voxtral 3
Un discours qui sonne local dans 35 langues et plus de 50 dialectes.
Voxtral TTS prend en charge plus de 35 langues et des dialectes régionaux. Nos évaluations multilingues tiennent compte des différences dialectales de prononciation, du registre formel vs informel, de l'orthographe, de la verbosité et des conventions locales (heure, dates, températures, adresses, devises).
Bibliothèque multilingue de Voxtral 3
Les Voice Presets sont disponibles en 18 langues : arabe (émirien, arabe standard moderne), brésilien (portugais), catalan, chinois (mandarin), néerlandais, anglais (américain, britannique), français (France), allemand, grec, hindi, italien, coréen, norvégien, russe, espagnol (Espagne) et vietnamien.
L'agent vocal contrôle toute la conversation.
Voxtral 3 introduit un SDK d'agent vocal, construit sur LiveKit, qui exécute l'entrée vocale, le raisonnement et la sortie vocale comme un seul pipeline en streaming. Voxtral Mini Transcribe Realtime 3 écoute et détecte quand l'appelant a terminé de parler, un modèle général — comme Mistral Small— raisonne et appelle des outils, et Voxtral TTS répond dans le ton de la conversation jusqu'ici. Aucune étape n'attend la précédente, de sorte que chaque tour se termine en moins d'une seconde, et l'agent cesse de parler quand l'appelant l'interrompt.
Pendant un appel, l'agent peut vérifier l'identité d'un appelant, consulter une facture ou prendre un rendez-vous, en utilisant le function calling, la recherche web et la récupération d'informations sur vos propres systèmes. Il répond et passe des appels via SIP, fonctionne dans les navigateurs et les applications via WebRTC, et se connecte aux logiciels de téléphonie, d'IVR et de centre de contacts que vous utilisez déjà.
Chaque étape est un modèle distinct, vous pouvez donc changer le LLM, la voix ou la langue sans réécrire l'agent, et exécuter toute la pile sur l'API de Mistral en Europe ou sur votre propre infrastructure.
Commencer.
Voxtral 3 est disponible dès aujourd'hui via l'API Mistral, hébergée sur nos points de terminaison européens, américains et mondiaux.
Vous pouvez tester les agents vocaux, la transcription audio, la génération de parole et le clonage de voix dans les playgrounds Studio.
Essayez Voxtral maintenant | En savoir plus
Modèle | Prix |
|---|---|
Voxtral Mini Transcribe 3 (batch) | $0.0035/min |
Voxtral Mini Transcribe Realtime 3 | $0.008/min |
Voxtral Small Transcribe 3 | $0.0040/min |
Voxtral Mini TTS 3 | $13/1M chars |
API d'agent vocal avec Mistral Small 4 pour le raisonnement | 0.04$/min |
API d'agent vocal avec un modèle plus grand | 0.08$/min |
Pour exécuter la pile complète sur site ou dans un cloud privé, parlez à notre équipe.
Voxtral Small Transcribe 3
Nouveau
Modèle de transcription vocale le plus précis. Transcription et diarisation multilingues de pointe, avec prise en charge de plus de 50 langues et biaisage contextuel.
Transcription
Audio
$0.004
/min
Voxtral Mini Transcribe 3
Nouveau
Modèle de transcription vocale efficace et à faible latence. Prend en charge la transcription multilingue, la diarisation et le biaisage contextuel dans plus de 50 langues.
Transcription
Audio (Batch)
$0.0035
/min
Voxtral Mini Transcribe Realtime 3
Un modèle de transcription en temps réel conçu pour les cas d'usage agentiques, offrant des transcriptions de haute qualité avec une latence inférieure à 500ms dans plus de 40 langues.
Transcription
Audio
$0.008
/min
Voxtral Mini TTS 3
Expressivité et suivi des instructions de pointe dans plus de 35 langues et 50 dialectes
Voix
Saisie
$13
/1M car.