Voxtral 3 : les nouveaux modèles vocaux de Mistral, leur prix et notre test sur de vraies commandes vocales

En résumé : Voxtral 3, sorti le 20 octobre 2026, réunit trois modèles de transcription, une synthèse vocale et une chaîne d'agent vocal. La transcription démarre à 0,0035 dollar la minute sur l'API de Mistral hébergée en Europe ; un déploiement sur vos serveurs est possible en passant par Mistral, mais sans poids publics. Sur de vrais messages vocaux WhatsApp d'un service de livraison de courses aux Émirats, en arabe du Golfe, en anglais et en ourdou, les deux modèles de transcription par lot ont chacun retrouvé 23 des 31 produits commandés (74 %), devant Whisper large-v3 et derrière Gemini 3.8 Flash.

---

Qu'est-ce que Voxtral 3 ?

Voxtral, c'est la gamme de modèles vocaux de Mistral, lancée en juillet 2025 avec deux modèles sous licence Apache 2.0. Cette troisième génération change d'échelle : Mistral ne livre plus une paire de modèles mais une chaîne vocale complète.

Selon l'annonce, la transcription couvre plus de 50 langues, dont les 24 langues officielles de l'Union européenne et « de nombreuses langues asiatiques et indiennes peu dotées ». Les modèles distinguent les interlocuteurs (diarisation) et acceptent une liste de termes ou un texte libre pour orienter le vocabulaire, ce qui aide sur les noms de produits. Côté vitesse, Mistral revendique moins de 500 ms de latence en temps réel et moins d'une seconde pour un tour complet d'agent. L'agent repose sur LiveKit et se branche sur la téléphonie (SIP) comme sur le navigateur (WebRTC).

Tous les chiffres de qualité de l'annonce viennent de Mistral, plusieurs étant notés par un modèle Gemini servant de juge, et aucun résultat n'y est donné langue par langue pour l'arabe.

Où tourne Voxtral 3 ?

C'est souvent la question qui décide de tout. Voici ce que nous avons pu vérifier le 22 octobre 2026 :

• L'API de Mistral, avec des points d'accès en Europe, aux États-Unis et mondial. Mistral indique que l'on choisit si l'audio est conservé ou non ; notre test est passé par le point d'accès européen, avec la conservation zéro activée sur notre organisation.
• Vos serveurs, via Mistral. L'annonce évoque un déploiement sur site ou en cloud privé, à voir avec l'équipe commerciale.
• Pas de poids publics. Sur Hugging Face, Mistral publie Voxtral Mini 4B Realtime Arabic (8 octobre 2026, Apache 2.0) et des modèles plus anciens, mais rien pour Voxtral 3. Pour un modèle à télécharger et faire tourner sans contrat, il faudra donc regarder ailleurs, au moins pour l'instant.

Ce qu'a donné Voxtral 3 sur de vraies commandes vocales

Nous avions un test tout prêt. Début octobre, nous avons comparé neuf modèles de transcription sur 54 vraies commandes vocales WhatsApp d'un service de livraison de courses aux Émirats. Le score porte sur les 18 commandes passées uniquement à la voix : 35 messages, environ 3 minutes 30 d'audio et 31 produits réellement livrés. Un produit ne compte que si son nom, ou une marque sans ambiguïté, apparaît dans la transcription, quelle que soit la langue ou l'écriture. Voxtral 3 est passé sur les mêmes messages le lendemain de sa sortie, sans langue imposée ni consigne.

Les points forts de Voxtral 3 :

• Aucune boucle, là où Whisper s'est mis à répéter la même phrase sur deux messages lors de notre nouvelle passe.
• Le message le plus difficile, enfin lu. Voxtral Small Transcribe 3 est le premier modèle de notre comparatif à déchiffrer une commande de cigarettes de 3 secondes, avec la marque « بلاتيني » (Platinum).
• De la vitesse : l'API a rendu les 35 messages en 24 secondes avec Small Transcribe 3, en 15 secondes avec Mini Transcribe 3.

Ses limites :

• L'ourdou sort en écriture hindi. Whisper écrit « دو ٹومٹر » (deux tomates) en alphabet ourdou ; Voxtral 3 écrit « दो टमाटर » en devanagari. Un modèle qui compare la transcription à un catalogue lit les deux, un vendeur de Dubaï pas forcément.
• Le modèle temps réel dérape sur les messages courts. Il a transformé « chawal » (riz) en espagnol, et écrit d'autres messages brefs dans la mauvaise langue, pour finir deux produits derrière les modèles par lot.
• Certaines erreurs tiennent à l'audio. Voxtral 3 comme Whisper ont écrit « پیاس » (soif) au lieu de « پیاز » (oignon), et entendu « سيارة » (voiture) pour « سيجارة » (cigarette).

Le comparatif complet, avec les douze modèles, la découverte sur l'ourdou et les limites du test, est en anglais : Arabic speech-to-text in 2026: 12 models tested on real Gulf voice orders.

Combien coûte Voxtral 3 en volume

À ce prix, la transcription pèse rarement dans le budget : tout notre jeu de test, soit 3 minutes 30 d'audio, a coûté environ 1,2 centime de dollar avec Mini Transcribe 3. Au prix catalogue :

Le vrai coût d'un traitement vocal se trouve ailleurs : transformer la transcription en donnée exploitable (une commande, un ticket, une fiche CRM), la vérifier, et traiter les cas où l'audio est inutilisable.

Quel modèle Voxtral 3 choisir

• Audio enregistré (messages vocaux, appels, réunions) : Voxtral Mini Transcribe 3. Il a fait jeu égal avec Small Transcribe 3 produit par produit, plus vite et moins cher.
• Conversation en direct : Voxtral Mini Transcribe Realtime 3, à condition de le tester d'abord sur vos messages les plus courts, là où il a perdu du terrain.
• Audio qui ne doit pas quitter vos serveurs : un modèle à poids ouverts, aujourd'hui Voxtral Mini 4B Realtime Arabic ou Whisper large-v3, sauf à contractualiser un déploiement de Voxtral 3 avec Mistral. Notre page IA souveraine détaille comment nous décidons où doit tourner chaque usage.

Pour des messages qui mêlent arabe et anglais, voir aussi comment nous transcrivons les vocaux mixtes arabe-anglais.

Ce que nous faisons, et ce que nous n'avons pas testé

Ce que nous faisons. Nous avons construit un moteur de commande vocale sur WhatsApp qui transforme les messages vocaux des clients en commandes structurées, et nous testons les modèles vocaux sur l'audio réel du client avant d'en choisir un. L'audio des clients ne part que chez des fournisseurs qui ne le conservent pas.

Ce que nous n'avons pas testé. Ni la synthèse vocale de Voxtral 3, ni sa chaîne d'agent vocal, ni un déploiement sur nos serveurs. Notre jeu de test reste petit (31 produits) et vient d'un seul commerce, dans une seule ville : un résultat sur votre propre audio vaudra plus que le nôtre.

Sources

• Mistral AI, Voxtral 3, 20 octobre 2026 (modèles, prix, langues, déploiement)
• Mistral AI sur Hugging Face (poids Voxtral publiés, vérifié le 22 octobre 2026)
• Notre comparatif (en anglais) : Arabic speech-to-text in 2026: 12 models tested on real Gulf voice orders