Mistral lance Voxtral 3, SDK d'agents vocaux en 50+ langues

Mistral a annoncé Voxtral 3, une nouvelle famille de modèles vocaux et un kit de développement destiné à la création d’agents capables de tenir des conversations réelles, multi-étapes et multilingues. L’ensemble regroupe la transcription automatique, la synthèse vocale expressive et un orchestrateur temps réel permettant à un agent d’écouter, de raisonner, d’appeler des outils et de répondre en continu. Les modèles de transcription, Voxtral Small Transcribe 3 et Voxtral Mini Transcribe 3, prennent en charge plus de 50 langues, dont les 24 langues officielles de l’Union européenne, ainsi que plusieurs langues d’Asie et d’Inde à ressources limitées. Ils se distinguent par la diarisation, qui permet d’identifier le locuteur, le biais contextuel pour améliorer la reconnaissance de termes techniques, et la détection de fin de parole pour réduire les interruptions prématurées. La variante Small affiche d’excellents résultats en anglais, français et espagnol, surpassant selon Mistral des solutions comme Whisper, Scribe v2 et Gemini 3.5 Transcribe. Le modèle Realtime promet une transcription en moins de 500 millisecondes pour plus de 35 langues. Côté synthèse, Voxtral Speech 3 propose une voix naturelle pour plus de 35 langues et 50 dialectes, avec adaptation émotionnelle du ton, du débit et de l’accentuation en fonction du contexte. Les entreprises peuvent utiliser des voix prêtes à l’emploi, cloner une voix à partir d’échantillons audio ou recourir à l’adaptation Pro Voice, capable de reproduire le timbre, l’expressivité et le style d’un locuteur avec environ 30 minutes d’enregistrement. Mistral met en avant un coût inférieur à celui de plusieurs concurrents, à 13 dollars par million de caractères. Le kit de développement, basé sur LiveKit, relie tous ces composants dans un flux temps réel. L’agent peut vérifier une identité, consulter une facture, prendre un rendez-vous ou interroger une base de connaissances via des appels de fonctions, la recherche web ou des systèmes d’entreprise. Il fonctionne au téléphone par SIP, dans les navigateurs et applications par WebRTC, et s’intègre aux logiciels téléphoniques, aux serveurs vocaux interactifs et aux centres de contact existants. Les concepteurs peuvent remplacer séparément le modèle de raisonnement, la voix ou la langue sans refondre l’application. Déployée via l’API de Mistral, avec des hébergements européens, américains et mondiaux, ou en auto-hébergement sur une infrastructure privée, Voxtral 3 vise les organisations soucieuses de la souveraineté des données, du contrôle des enregistrements audio et de la latence. La plateforme est disponible dès aujourd’hui, avec des tarifs variant entre 0,0035 dollar et 0,008 dollar par minute pour la transcription et 13 dollars par million de caractères pour la synthèse.