Mistral a annoncé Voxtral 3 le 20 octobre 2026, ajoutant une pile vocale pour des agents vocaux en temps réel, accessible via son API et compatible avec des options d’auto-hébergement telles que les déploiements sur site et en cloud privé.
Selon le billet de lancement de Mistral, cette version inclut la transcription multilingue, la synthèse vocale, la détection des tours de parole, le raisonnement et l’appel d’outils dans un pipeline de streaming basé sur LiveKit, ainsi qu’un SDK d’agent vocal pour relier ces composants.
Mistral indique que la pile prend en charge la transcription dans plus de 50 langues, tandis que la sortie vocale couvre plus de 35 langues et 50 dialectes. Elle propose aussi le clonage vocal à partir d’environ 30 minutes d’audio source. Les tarifs publiés commencent à $0.0035 par minute de transcription et à $13 par million de caractères de synthèse vocale.
Pour les builders, cela permet de tester un même fournisseur pour l’écoute, la génération de réponses et la restitution vocale, plutôt que d’assembler des services STT et TTS distincts. Une réserve : les propres documents de Mistral ne concordent pas entièrement sur la couverture de transcription en temps réel ; les équipes ciblant des langues précises devraient donc confirmer la prise en charge avant toute migration.