Le 21 octobre 2026, Mistral AI a officiellement lancé la nouvelle série de modèles vocaux Voxtral3 ainsi qu'un SDK d'agents vocaux. Cette gamme de produits comprend le modèle de transcription Voxtral Small Transcribe3, le modèle de synthèse vocale Voxtral Mini TTS3.0 et un SDK d'agents vocaux basé sur LiveKit, accessible via API ou déployable en auto-hébergement sur un cloud privé ou une infrastructure propre, avec pour objectif de fournir des capacités d'interaction vocale en flux temps réel performantes aux centres d'appels, help desks, assistants virtuels et systèmes de conduite mains libres.
Sur le plan technique, Voxtral Small Transcribe3 prend en charge plus de 50 langues et offre des fonctions de segmentation de la parole, de biaisation contextuelle et de détection de fin de tour de parole. Dans le graphique FLEURS, ses taux d'erreur forcée et d'inférence s'élèvent à 4.1% et 4.0%, à égalité avec Microsoft AI Transcribe2, et surpassant Gemini3.5Transcribe, Scribe v2, GPT Transcribe et Whisper large-v3.
Parmi eux, Voxtral Mini Transcribe3 à 4 milliards de paramètres coûte 0,0035 dollar par minute en usage par lots, tandis que la version en temps réel coûte 0,008 dollar par minute, avec une latence inférieure à 500 millisecondes. Par ailleurs, Voxtral Mini TTS3.0 offre la synthèse vocale dans plus de 35 langues et plus de 50 dialectes, au prix de 13 dollars par million de caractères, avec prise en charge de l'adaptation du ton, des instructions de prompt et du clonage vocal interlinguistique Pro Voice basé sur 30 minutes d'audio.
Le SDK construit sur LiveKit intègre la transcription, le raisonnement, l'appel d'outils et la génération vocale dans un même pipeline de streaming temps réel, permettant au modèle général de raisonner et d'appeler des outils de manière autonome tout en traitant les conversations, de maintenir les tours de parole sous la seconde, et d'interrompre automatiquement l'agent lorsqu'un appelant coupe la parole. Selon les analyses, cette publication de Mistral allie performances des modèles et contrôle du déploiement de niveau entreprise ; grâce à son architecture modulaire et à son support de déploiement privé, elle accélère davantage le déploiement à grande échelle des agents vocaux IA dans des scénarios métier complexes.