Ce qui a été publié
Mistral a publié Voxtral 3, une famille de modèles vocaux couvrant la transcription, la transcription en flux et la synthèse, sur son blog. La gamme comprend Voxtral Small Transcribe 3 pour la précision en traitement par lots, Voxtral Mini Transcribe 3 à 4 milliards de paramètres pour l’efficacité, Voxtral Mini Transcribe Realtime 3 pour le flux et Voxtral Speech 3 pour la synthèse. Un SDK d’agent vocal bâti sur LiveKit les enchaîne en une seule chaîne de traitement.
La transcription par lots couvre plus de 50 langues, dont les 24 langues officielles de l’UE ; le modèle temps réel en couvre plus de 35 ; et le modèle de synthèse couvre plus de 35 langues et 50 dialectes, avec des voix prédéfinies dans 18. Tous les chiffres qui suivent sont ceux de Mistral, publiés sur sa page produit et non mesurés par un tiers.
La taxe de latence, selon les chiffres de Mistral
Le plus utile sur cette page est le graphique temps réel, parce qu’il chiffre le coût de la vitesse au lieu de l’escamoter. Mesuré sur FLEURS dans 35 langues, le modèle Mini Transcribe 3 en mode différé affiche un taux moyen d’erreur de 4,0 %. Passé en flux, l’erreur monte à chaque palier de latence : 5,7 % à 2 400 ms, 6,0 % à 960 ms, 6,4 % à 480 ms et 7,4 % à 240 ms.
C’est un arbitrage publié par le fournisseur lui-même : une réponse en un quart de seconde coûte environ 85 % d’erreurs de mots en plus que le même modèle nourri du fichier entier. Mistral place Gemini 3.5 Realtime Transcribe à 4,2 % sur le même graphique, Microsoft AI Transcribe 2 Streaming à 5,8 %, GPT Live Transcribe à 8,4 % et Scribe v2 Realtime à 8,7 %.
En transcription par lots, Mistral donne Voxtral Small Transcribe 3 à environ 4,1 % d’erreur avec la langue imposée et 4,0 % en détection automatique, contre environ 16,0 % et 14,9 % pour Whisper large-v3 — la comparaison la plus ancienne du graphique, et celle qui flatte le plus le résultat.
Là où l’entreprise se dit en tête
Les chiffres de diarisation sont l’affirmation la plus solide. En moyenne sur cinq corpus conversationnels, Mistral annonce 18,4 % pour Voxtral Small Transcribe 3 et 18,6 % pour le Mini, contre 19,0 % pour l’orchestrateur Precision 3 de Pyannote, 20,3 % pour Microsoft AI Transcribe 2, 23,0 % pour Scribe v2 et 38,4 % pour Gemini 3.5 Transcribe. La génération précédente, Voxtral Mini Transcribe 2, est à 30,9 % : la plus forte progression de la page, et une mesure de Mistral contre elle-même.
Prix et plomberie
Mistral facture 0,0035 dollar la minute pour Mini Transcribe 3, 0,0040 pour Small Transcribe 3 et 0,008 pour le modèle temps réel, la synthèse vocale étant à 13 dollars le million de caractères. Le clonage de voix demande environ 30 minutes d’audio échantillonné. Les modèles de transcription gèrent la diarisation, le biais par termes clés et la détection de fin de tour ; la pile d’agents atteint les téléphones via SIP et les navigateurs via WebRTC, et Mistral indique qu’un tour d’agent complet se termine en moins d’une seconde.
Les modèles sont accessibles via l’API de Mistral sur des points d’accès européens, américains et mondiaux, dans les bacs à sable de Studio, et en déploiement autonome sur demande.
Ce qui manque
Pour une entreprise dont l’identité repose sur les poids ouverts, la page reste muette sur les licences : elle ne dit pas si des poids de Voxtral 3 sont publiés, à quelles conditions, ni si la famille est réservée à l’API. Elle ne donne pas non plus de durée audio maximale, pas de limite de contexte, pas de nombre de paramètres pour le modèle Small ni pour celui de synthèse, et pas de date de sortie explicite : la seule date de la page est une note de bas de page indiquant que les évaluations vocales ont été générées le 20 octobre.
Les chiffres à attendre sont ceux des tiers. Le graphique temps réel de Mistral est inhabituellement honnête sur le coût du flux ; savoir si l’avance en traitement par lots et en diarisation résiste au jeu de tests de quelqu’un d’autre reste à établir.
