Voxtral 3 promet l’agent vocal sous la seconde, sans mesure complète

Le 20 octobre 2026, Mistral AI a lancé Voxtral 3 en préversion publique et promis un tour d’agent vocal en moins d’une seconde dans sa présentation de lancement. Cette pile réunit trois modèles de transcription, un modèle de synthèse vocale et un kit qui enchaîne écoute, raisonnement, appels d’outils et réponse parlée. Pour les services qui automatisent des appels ou l’assistance, la promesse porte sur la conversation entière ; aucun résultat publié ne chiffre toutefois le délai d’une réponse complète après consultation d’un système externe.

La grille de lancement distingue les composants de l’agent : 0,0035 dollar par minute pour Voxtral Mini Transcribe 3 en traitement différé, 0,004 dollar pour Small Transcribe 3 et 0,008 dollar pour Mini Transcribe Realtime 3. La synthèse Voxtral Mini TTS 3 coûte 13 dollars par million de caractères ; l’API d’agent vocal est affichée à 0,04 dollar la minute avec Mistral Small 4 pour le raisonnement, ou 0,08 dollar avec un modèle plus grand. Les modèles sont accessibles par API, notamment depuis des points d’accès européens, et les fonctions vocales peuvent être essayées dans Studio.

De la parole à une action dans un système

Le kit répartit la conversation entre des fonctions distinctes. Voxtral Mini Transcribe Realtime 3 écoute l’appelant et détecte la fin de son intervention ; un modèle général interprète la demande et peut appeler un outil ; Voxtral Mini TTS 3 produit la réponse parlée. LiveKit transporte l’audio en temps réel. Cette organisation permet de changer le modèle de raisonnement, la voix ou la langue sans reconstruire toute la chaîne.

La démonstration de lancement montre une réservation de rendez-vous : l’agent comprend une demande, récupère des renseignements, propose un créneau puis déclenche sa réservation après accord de l’appelante. L’exemple illustre ce que signifie « agir » dans une conversation, mais son bon déroulement ne constitue pas une mesure de rapidité ou de fiabilité sur des appels variés. Dans un service réel, l’application doit encore donner accès au calendrier concerné et définir les actions que l’agent est autorisé à effectuer.

Le kit gère aussi l’interruption : lorsqu’une personne reprend la parole pendant la réponse, l’agent cesse de parler pour écouter. La transcription peut distinguer les intervenants et tenir compte de termes fournis à l’avance, comme des noms propres ou du vocabulaire métier. Ces fonctions comptent pour une demande corrigée en cours de phrase, où comprendre la rectification importe autant que produire rapidement une voix naturelle.

Une transcription rapide ne chronomètre pas l’appel entier

Les chiffres de vitesse publiés décrivent d’abord une étape de la chaîne. L’analyse technique d’Invide reprend le graphique de transcription en flux de Mistral : le taux d’erreur annoncé passe de 6,4 % avec un délai réglé à 480 millisecondes à 7,4 % à 240 millisecondes. Ce compromis entre délai et précision provient d’une évaluation du fournisseur sur plusieurs langues ; il ne mesure ni le raisonnement, ni un appel d’outil, ni la réponse entendue par l’appelant.

Le délai perçu commence lorsque la personne finit de parler et s’achève lorsque l’agent commence à répondre. Il comprend la détection de fin de parole, la transcription, le modèle de raisonnement, l’éventuel échange avec un service externe, puis la production et la transmission du premier son. Certaines opérations peuvent se chevaucher, mais une recherche de disponibilité ou de dossier peut imposer une attente supplémentaire. Une formule prononcée pendant cette recherche remplit le silence sans avancer l’arrivée de la confirmation demandée.

Des classements indépendants existent pour la précision des modèles de transcription sur des enregistrements : ils répondent à une autre question que la réactivité d’un agent au téléphone. La qualité d’un appel dépend aussi du réseau, de la détection des interruptions et du temps pris par les outils de l’entreprise. Une mesure utile du tour complet devrait préciser ces conditions ainsi que le point d’arrivée retenu : premier son émis ou réponse effectivement exploitable.

Ce que représentent les tarifs sur une heure

Calculs à partir des prix de lancement, pour des usages hypothétiques de 60 minutes : transcrire une heure d’enregistrement avec Mini revient à 0,21 dollar, ou à 0,24 dollar avec Small. Une heure de transcription en direct avec Mini Realtime revient à 0,48 dollar. Ces montants ne rémunèrent que la transcription ; ils ne décrivent pas le coût d’un agent qui comprend la demande et répond oralement.

Pour une heure facturée à l’API d’agent, le calcul donne 2,40 dollars avec Mistral Small 4 pour le raisonnement et 4,80 dollars avec l’option de modèle plus grand. Ce sont des conversions du prix à la minute, pas des factures observées. La grille ne détaille pas toutes les règles de facturation d’une conversation, notamment le silence, la téléphonie ou les outils externes. Additionner automatiquement les tarifs séparés de transcription et de synthèse au prix de l’API d’agent risquerait donc de compter deux fois une partie du service.

La synthèse se calcule autrement : à 13 dollars le million de caractères, un texte hypothétique de 10 000 caractères coûterait 0,13 dollar à produire séparément. Le volume de texte prononcé pendant une heure varie selon le temps passé à écouter et à appeler des outils ; aucun prix horaire universel de synthèse ne découle du tarif au caractère. Cette distinction importe particulièrement pour un service d’assistance, où deux appels de même durée peuvent contenir des quantités très différentes de parole générée.

Le français figure dans la chaîne, avec des périmètres distincts

Le français apparaît dans les langues de transcription et de synthèse vocale présentées pour Voxtral 3. Les modèles de transcription de fichiers couvrent 50 langues, tandis que la liste du temps réel compte 45 langues et dialectes ; la synthèse est présentée pour 35 langues et plus de 50 dialectes. Ces totaux ne s’appliquent pas indistinctement à chaque étape d’un agent. Une langue disponible pour traiter un enregistrement n’a pas, de ce seul fait, le même périmètre pour écouter un appel en direct et le faire parler.

Le relevé de Silicium Rose note aussi que la présentation du temps réel emploie successivement les seuils « plus de 35 » et « plus de 40 » langues. Il s’agit de bornes, alors que la liste détaillée additionne langues et dialectes : les formulations ne donnent pas un inventaire identique. Pour un accueil téléphonique francophone, le point concret est plus précis que le total affiché : le français figure dans les capacités d’entrée et de sortie, tandis que le choix de voix et d’accent dépend du mode de synthèse retenu.

API européenne et ligne téléphonique n’offrent pas le même accès

L’accès aux modèles par l’API hébergée en Europe est distinct du déploiement de toute la pile sur une infrastructure privée. Pour cette seconde formule, Mistral renvoie à une discussion commerciale et ne publie pas de tarif correspondant dans sa grille de lancement. L’emplacement de traitement annoncé pour l’API ne règle donc pas, à lui seul, les conditions d’une installation que l’entreprise exploiterait sur son propre site.

L’intégration téléphonique SIP est réservée aux clients entreprise et porte actuellement sur les appels entrants. Elle ne transfère pas directement une conversation à une personne ; les outils exécutés dans une application cliente ne fonctionnent pas non plus pendant un appel téléphonique, qui exige des outils côté serveur. Une ligne d’assistance qui doit remettre immédiatement un dossier complexe à un conseiller devra prévoir un autre parcours, par exemple un rappel organisé dans son propre système.

À lire aussi :

• Claude règle un laser quantique en 6 secondes, sans accélérer les qubits
• Threads mesure désormais les clics des podcasts sans héberger les épisodes
• Arm AI Portal promet des modèles optimisés, les outils maison viendront plus tard