Voxtral 3 : Mistral met quatre modèles vocaux et une API d’agents vocaux sur le même compteur

Le chiffre intéressant dans l'annonce de Mistral du 20 octobre n'est pas un taux d'erreur de mots. C'est 0,04 $ par minute. C'est ce que l'entreprise facture pour un Voxtral 3 agent vocal — un pipeline de bout en bout qui écoute un appelant, raisonne sur ce qu'il a dit avec Mistral Small 4, appelle des outils et répond. Additionnez les éléments que Mistral vend séparément et la même minute coûte plus cher : Voxtral Mini Transcribe Realtime 3 à 0,008 $, plus Voxtral Mini T​TS 3 à environ 0,02 $ pour un débit de parole normal, plus le modèle de raisonnement par-dessus. La minute groupée est le produit. Tout le reste — Voxtral Small Transcribe 3, Voxtral Mini Transcribe 3, Voxtral Mini Transcribe Realtime 3, Voxtral Speech 3 — est vendu comme un composant que l'on peut acheter à la carte, et comme un moyen de montrer que les composants sont assez bons pour mériter d'être regroupés. Les pipelines d'agents vocaux échouent de façons que les grilles tarifaires ne mentionnent jamais, et les incidents enregistrés sont répertoriés dans l'OrcaRouter AI Incident Archive où chaque entrée comporte ses propres sources, une gravité, un niveau de confiance et un indicateur de contestation.

Qu’y a-t-il réellement de nouveau, modèle par modèle ?

Il s'agit d'un renouvellement de gamme, et non d'un seul modèle avec une simple montée de version. Chaque élément a une fonction et un prix distincts, et la répartition compte davantage que le nom commun.

• Voxtral Small Transcribe 3 — le niveau de précision. 0,004 $ par minute, un contexte de 32 k et la revendication phare de Mistral pour la transcription avec diarisation. Il assure aussi la traduction, les questions-réponses vocales, le résumé et l'appel de fonctions, ce qui en fait le seul membre de la famille plus proche d'un modèle audio-langage que d'un transcripteur.

• Voxtral Mini Transcribe 3 — 4 milliards de paramètres, 0,0035 $ par minute, contexte de 32 k. Mistral communique la taille de ce modèle-ci mais garde le silence sur celle du modèle Small. Cette asymétrie mérite d'être relevée : le modèle mini est celui qui est positionné pour le déploiement à grande échelle et en périphérie, sa taille est donc un argument de vente ; celle du modèle phare n'est pas divulguée.

• Voxtral Mini Transcribe Realtime 3 — diffusion en continu via WebSocket à 0,008 $ par minute, avec une latence configurable de 80 ms à 2 400 ms et une détection de fin de tour qui combine des indices acoustiques et sémantiques plutôt que d’attendre le silence. La documentation indique « moins de 500 ms » ; le plancher configurable est bien inférieur, et le coût en précision d’une valeur basse est important — voir la section sur les benchmarks.

• Voxtral Speech 3 (vendu dans la documentation sous le nom de Voxtral Mini T​TS 3) — 13 $ par million de caractères, environ 90 ms jusqu'au premier audio, 34 balises d'émotion et deux balises de rythme, neuf langues, clonage vocal zero-shot et « professionnel ». La page de lancement de Mistral indique que le clonage nécessite 30 minutes ou plus d'audio de référence.

En dessous se trouve le SDK d’agent vocal, construit sur LiveKit et sur un pipeline unique d’ASR, de LLM et de TTS en streaming. Il prend en charge les appels SIP, les sessions WebRTC et les trunks téléphoniques ou IVR existants, gère le barge-in et vous permet de changer le modèle de raisonnement, la voix ou la langue sans reconstruire l’agent. Mistral annonce une latence de tour de parole inférieure à une seconde.

Le tableau de référence, à lire attentivement.

Mistral a publié ses propres chiffres, et ce sont de bons chiffres. Sur le taux d'erreur de mots moyen macro de 45 sur FLEURS, Voxtral Small Transcribe 3 atteint 4,1 % avec langue forcée et 4,0 % avec langue inférée. Voxtral Mini Transcribe 3 se situe à 4,6 % / 4,5 %. À titre de comparaison, sur le même tableau du fournisseur : Gemini 3.5 Transcribe à 6,1 % / 4,5 %, Scribe v2 à 4,9 %, GPT Transcribe à 6,3 % / 5,6 %, et Whisper large-v3 à 16,0 % / 14,9 %.

Deux choses, dans ce tableau, méritent un second regard. Premièrement, MAI-Transcribe-2 de Microsoft affiche 4,1 % / 4,0 % — identique à Voxtral Small Transcribe 3, jusqu’à la décimale. Un tableau fournisseur dans lequel le produit phare égale exactement son concurrent le plus proche est soit une égalité honnête, soit une égalité arrondie ; Mistral ne précise pas laquelle. Deuxièmement, le chiffre de Whisper n’est pas celui que quiconque d’autre cite pour Whisper. Whisper large-v3 obtient 7,44 de WER moyen sur l’Open ASR Leaderboard, et la variante Turbo 4,6 % sur le tableau indépendant d’Artificial Analysis. Seize pour cent, c’est ce à quoi ressemble Whisper sur de l’audio FLEURS multilingue difficile spécifiquement, pas ce à quoi il ressemble en anglais de production. Utiliser la tranche la plus sévère disponible pour un concurrent est un procédé marketing normal, mais c’est un procédé marketing.

Le classement indépendant raconte une histoire plus serrée. Artificial Analysis place Voxtral Small Transcribe 3 à 2,1 % d’AA-WER et Voxtral Mini Transcribe 3 à 2,2 % — premier et deuxième du classement non-streaming à l’heure où ces lignes sont écrites, avec MAI-Transcribe-2 à 2,0 % dans la case au-dessus d’eux selon le moment où le classement est consulté. Ces écarts sont suffisamment proches pour que l’ordre change lors de nouvelles exécutions. Quiconque désigne un gagnant à partir d’un écart de 0,1 point cite du bruit.

Là où le niveau temps réel redonne de la précision

Les chiffres du streaming sont ce que Mistral a publié de plus utile, car ce sont les moins flatteurs. Sur FLEURS 35, la baseline hors ligne de Voxtral Mini Transcribe 3 est de 4,0 % de WER. Le modèle temps réel se dégrade de façon monotone à mesure qu’on lui demande de répondre plus tôt :

• Latence de 2 400 ms — 5,7 % WER

• 960 ms — 6,0 %

• 480 ms — 6,4 %

• 240 ms — 7,4 %

En face, Mistral indique Gemini 3.5 Realtime Transcribe à 4,2 %, l’offre de streaming de Microsoft à 5,8 %, GPT Live Transcribe à 8,4 % et Scribe v2 Realtime à 8,7 %. La lecture honnête est donc la suivante : avec un décalage confortable de 2,4 secondes, l’offre temps réel de Voxtral est compétitive face à Microsoft et bat les modèles de streaming d’OpenAI et d’ElevenLabs, mais elle ne bat pas celui de Google ; et à 240 ms, elle est moins bonne que tout, sauf les deux modèles les plus à la traîne. Le chiffre phare des moins de 500 ms est réel ; cela vous coûte simplement environ trois points de précision par rapport à l’exécution du même audio hors ligne.

La diarisation est le domaine où la famille paraît la plus solide et où le tableau des fournisseurs est le plus sollicité. Sur le WER concaténé à permutation minimale, Mistral rapporte 18,4 % pour Voxtral Small Transcribe 3, 18,6 % pour le Mini, 19,0 % pour Pyannote Orchestrator Precision 3, 20,3 % pour MAI-Transcribe-2 et 38,4 % pour G​emini 3.5 Transcribe. Un écart de 20 points par rapport à G​emini sur l’attribution des locuteurs est le genre de chiffre qui décide d’un produit — transcription de réunions, contrôle qualité des appels — mais il s’agit du banc d’évaluation d’un fournisseur face au modèle d’un autre, et aucun tiers ne l’a rejoué.

Ce que le tarif achète, en heures

La facturation à la minute est facile à comparer, mais facile à mal interpréter lorsque l'alternative est la facturation par token. Ramenée à mille heures d'audio, soit environ un mois pour un centre de contact de taille moyenne :

• Voxtral Mini Transcribe 3 — 210 $ pour 1 000 heures à 0,0035 $/min

• Voxtral Small Transcribe 3 — 240 $ par 1 000 heures, soit 0,004 $/min

• Voxtral Mini Transcribe Realtime 3 — 480 $ pour 1 000 heures, soit 0,008 $/min

• API d'agent vocal avec raisonnement Mistral Small 4 — 2 400 $ pour 1 000 heures de conversation à 0,04 $/min

Le niveau agent coûte cinq à onze fois le prix du niveau transcription, ce qui est le bon ordre de grandeur dès lors que l’on se souvient qu’il inclut le modèle de raisonnement et la synthèse vocale. C’est aussi là que se trouve la marge, et le positionnement de Mistral — vérification d’identité, contrôle de factures, prise de rendez-vous — est choisi pour des appels où une tâche accomplie vaut plus qu’une minute de calcul.

Une mise en garde structurelle sur l'ensemble de la grille tarifaire : chaque modèle ici est en préversion publique, pas en GA, et les tarifs de préversion pour la parole ont historiquement évolué. Aucun engagement publié ne garantit que $0.0035 reste à $0.0035.

Ce que Mistral n'a pas livré

Aucun poids. La page de lancement indique que Voxtral 3 est disponible via l’API de Mistral avec des points de terminaison UE, États-Unis et mondiaux, et « pour un auto-déploiement sur votre propre infrastructure » — mais elle ne publie ni licence, ni nombre de paramètres pour trois des quatre modèles, ni dépôt Hugging Face. Pour contexte, les précédentes versions vocales de Mistral étaient téléchargeables : Voxtral Small 24B 2507 est sous Apache 2.0 sur Hugging Face, Voxtral 4B T​TS 2603 est sous CC-BY-NC-4.0, et Voxtral Mini 4B Realtime Arabic a été mis en ligne le 8 octobre sans aucune licence déclarée. Cette version est la première génération Voxtral sans aucun membre téléchargeable. L’auto-déploiement s’entend ici comme un contrat d’entreprise, et non comme un téléchargement.

Sont également absents : toute longueur audio maximale, toute indication de taille de contexte pour les niveaux TTS ou agent, ainsi que tout détail sur la rétention ou la résidence des données au-delà des régions des points de terminaison. Si vous évaluez cela pour l’enregistrement d’appels réglementé, ce sont ces trois lacunes qu’il faut combler lors d’une discussion avec les achats, plutôt qu’à partir de l’article de lancement.

Comment vraiment l’essayer

Voxtral 3 ne figure pas aujourd'hui au catalogue d'OrcaRouter ; la voie pour l'évaluer passe donc par l'API et les playgrounds Studio de Mistral, qui couvrent la transcription, la génération vocale, le clonage vocal et le pipeline d'agents. Là où un routeur aide vraiment, c'est dans la seconde moitié de la décision : on ne veut presque jamais une seule pile vocale, et placer le modèle de raisonnement qui gère les appels d'outils de votre agent derrière un point de terminaison unique vous permet de comparer Mistral Small 4 à une douzaine d'autres modèles sur la même transcription sans reconstruire le pipeline. OrcaRouter répercute les prix catalogue des fournisseurs avec une marge de 0 % et bascule automatiquement d'un fournisseur à l'autre en cas de défaillance, ce qui compte le plus précisément dans cette situation — un modèle de niveau preview sans historique de disponibilité.

L’ordre d’évaluation pratique, si vous faites {{1}}cela{{/1}} cette semaine : faites passer vos pires fichiers audio par Voxtral Small Transcribe 3 et MAI-Transcribe-2 sur les mêmes 200 fichiers, car les deux fournisseurs affichent le même score FLEURS et seul votre audio peut départager. Exécutez ensuite le palier temps réel à 960 ms et à 2 400 ms, et comptez combien de fois le détecteur de fin de tour coupe un appelant en pleine phrase — ce mode de défaillance coûte plus cher dans un agent en direct que n’importe quel écart de WER dans cette famille. Comparez enfin le coût de la minute d’agent à votre taux de containment, et non à votre facture de transcription.

Que regarder

Trois éléments décideront si cette version vieillira bien. Des réexécutions indépendantes de l’affirmation sur la diarisation, qui est le seul chiffre du lancement susceptible de réellement changer une décision d’achat. La publication ou non des poids, car un Voxtral téléchargeable deviendrait immédiatement l’option ouverte par défaut pour la diarisation des langues européennes et saperait tout l’argument tarifaire exposé ci-dessus. Et la tenue de la latence d’agent inférieure à la seconde sur de la téléphonie réelle plutôt que dans une démo de lettre d’adressage française — la détection de l’interruption (barge-in) et de la fin de tour sont les points où les agents vocaux échouent généralement, et aucune des deux ne résiste à un billet de blog de fournisseur comme preuve.