Voxtral 3 relie l’écoute, la réponse et l’action. Mistral ouvre une préversion vocale

Répondre au téléphone ne consiste pas seulement à transformer des mots en texte. Un agent doit comprendre la demande puis agir sans perdre le fil de la conversation. Le 20 octobre, Mistral a présenté Voxtral 3 pour relier ces étapes. La famille associe transcription et synthèse vocale à un SDK destiné aux développeurs. Les fiches produit indiquent une préversion publique.

Trois étapes dans une même conversation

L’annonce de Mistral décrit une chaîne en continu. Un modèle transcrit la voix et détecte la fin d’un tour de parole. Un modèle de langage raisonne et peut appeler des outils. Un modèle de synthèse produit ensuite la réponse vocale.

Le SDK repose sur LiveKit. Mistral prévoit des connexions téléphoniques par SIP et des échanges dans les applications ou navigateurs par WebRTC. L’éditeur cite notamment la consultation d’une facture et la prise de rendez-vous. Ce sont des usages présentés par le fournisseur. Ils ne constituent pas une preuve de fiabilité sur chaque système connecté.

Cette architecture garde des composants séparés. Ça permet de changer le modèle de raisonnement ou la voix sans reconstruire toute la chaîne. Mais les droits accordés aux outils restent déterminants. Une phrase correctement transcrite ne suffit pas à autoriser une réservation ou une modification de dossier.

La transcription possède plusieurs variantes

Les fiches de Voxtral Small Transcribe 3 et de Voxtral Mini Transcribe 3 distinguent précision et légèreté. Elles affichent respectivement 0,004 dollar et 0,0035 dollar par minute. L’annonce décrit aussi l’identification des locuteurs et la possibilité de fournir un vocabulaire de contexte.

La version Mini Transcribe Realtime 3 fonctionne en continu. Sa fiche affiche 0,008 dollar par minute. La détection de fin de parole et les interruptions doivent aider à éviter qu’un agent parle au mauvais moment.

Ces tarifs concernent les composants nommés. Il faut encore compter la synthèse et les appels au modèle qui raisonne. Ils ne décrivent pas à eux seuls le prix complet d’une minute de conversation avec un agent.

Une divergence sur les langues de synthèse

L’annonce évoque plus de trente-cinq langues et plus de cinquante dialectes pour la synthèse vocale. Or la fiche de Voxtral TTS 3 mentionne neuf langues au moment de cette veille. Les deux sources affichent un prix de treize dollars par million de caractères.

Cette divergence invite à vérifier la langue et la voix nécessaires dans l’API avant de promettre un service. Elle empêche de considérer la liste la plus large comme uniformément confirmée par la documentation produit. La transcription et la synthèse n’ont pas non plus le même périmètre linguistique.

Des performances annoncées à remettre dans leur cadre

Mistral publie plusieurs comparaisons sur la transcription et la qualité vocale. Les protocoles et les jeux de données varient selon les graphiques. Certains résultats reposent sur des évaluations internes. Ils ne démontrent pas la même qualité sur tous les accents et les environnements sonores.

La question des langues avait déjà guidé notre article sur Voxtral Arabic et Lidstral. Reconnaître un dialecte et restituer fidèlement une demande restent des tâches différentes.

Un choix d’hébergement à préciser

Mistral annonce un accès par API avec des points d’entrée européens et américains ainsi qu’un point d’entrée global. Le déploiement sur une infrastructure privée passe par une prise de contact avec l’éditeur. Cette possibilité ne vaut pas publication de poids sous licence ouverte. Les modalités de conservation des conversations doivent aussi être vérifiées pour le déploiement retenu.

Pour moi, l’avancée intéressante est la coordination de toute la conversation. Un essai utile devra surtout vérifier les interruptions et les noms propres. Il devra aussi montrer que l’agent demande une confirmation au bon moment avant d’agir.