Mistral Voxtral 3 expliqué : pile d’agents vocaux vs ElevenLabs en temps réel

Mistral Voxtral 3 expliqué : pile complète d’agents vocaux vs ElevenLabs en temps réel

Voice AI a eu un mardi chargé. Le 20 octobre 2026, Mistral a lancé Voxtral 3, une pile complète d’agents vocaux avec trois niveaux de transcription, un modèle de synthèse vocale et un SDK d’agent vocal en temps réel. Le même après-midi, ElevenLabs a publié Eleven Realtime, deux modèles de reconnaissance vocale conçus pour la conversation en direct avec IA.

Deux laboratoires, deux architectures très différentes, un seul objectif : une IA capable de tenir un vrai appel téléphonique. Voici ce que chacun fait, combien coûte chacun, et comment choisir entre eux.

Verdict rapide

En résumé : choisissez Voxtral 3 lorsque la résidence des données, la couverture multilingue ou le coût par minute déterminent la décision. Choisissez Eleven Realtime lorsque la voix elle-même doit sonner parfaitement. Lisez la suite pour les chiffres complets.

Ce que Mistral Voxtral 3 inclut réellement

Voxtral 3 n’est pas un seul modèle. C’est une famille de modèles vocaux plus un SDK d’agent vocal qui les assemble. Chaque partie est disponible aujourd’hui via l’API de Mistral, hébergée dans l’UE ou déployée sur votre propre infrastructure.

Voxtral Mini Transcribe 3 : 0,0035 $ par minute

Le palier de transcription à budget. Un modèle de reconnaissance vocale de 4 milliards de paramètres conçu pour des charges de travail batch, au prix de 0,0035 $ par minute d’audio. Les deux modèles batch acceptent des termes clés et du texte contextuel supplémentaire, de sorte que le vocabulaire du domaine est reconnu sans ajustement fin.

Voxtral Small Transcribe 3 : 0,004 $ par minute

Le modèle phare de transcription : 50+ langues incluant les 24 langues officielles de l’UE, ainsi que les langues asiatiques et indiques avec moins de ressources. Il ajoute la diarisation du locuteur, la détection de fin de tour (il sait quand l’appelant a cessé de parler), et un biais de contexte pour des termes spécialisés. Mistral affirme surpasser Whisper, Scribe v2 et Gemini 3.5 Transcribe sur leurs propres tests multilingues. Plus d’informations sur ces chiffres ci-dessous.

Voxtral Mini Transcribe Temps Réel 3 : 0,008 $ par minute

Le niveau axé sur l’agent : 35+ langues avec une latence de transcription inférieure à 500 millisecondes, y compris l’identification du locuteur et l’utilisation du vocabulaire. C’est le modèle qui alimente le SDK de l’agent vocal.

Discours voxtral 3 : 13 $ pour 1 million de caractères

Le modèle de synthèse vocale couvre 35+ langues et 50+ dialectes, avec l’émotion, le rythme et l’accent contrôlables comme variables d’instruction. Les préréglages de voix sont disponibles en 18 langues, de l’arabe et de l’hindi au vietnamien. Le clonage de voix nécessite 30 minutes ou plus d’audio, et une option Pro Voice adapte le caractère et la gamme émotionnelle du locuteur à travers les langues à partir d’environ 30 minutes d’enregistrements. Même prix de 13 $ pour une utilisation en lots et en temps réel via une seule API. Mistral le positionne comme moins cher que OpenAI TTS-1, Deepgram, ElevenLabs Flash et Gemini Flash.

SDK de l’agent vocal : LiveKit, moins d’une seconde par tour

L’élément principal est le SDK, construit sur LiveKit. Voxtral Mini Transcribe Realtime 3 écoute, un modèle général comme Mistral Small raisonne et appelle les outils d’appels, et Voxtral Speech 3 répond selon le ton de la conversation. Aucune scène n’attend celle d’avant, donc Mistral dit que chaque tour se termine en moins d’une seconde et que l’agent cesse de parler quand l’appelant intervient.

Pendant un appel, l’agent peut vérifier l’identité de l’appelant, vérifier une facture ou prendre rendez-vous, en utilisant l’appel de fonctions, la recherche web et la récupération via vos propres systèmes. Il répond et passe les appels via SIP, s’exécute dans les navigateurs et applications via WebRTC, et se connecte à la téléphonie, aux IVR et aux logiciels de centre de contact. Chaque étape est un modèle distinct, vous pouvez donc échanger le LLM, la voix ou la langue sans réécrire l’agent.

Le déploiement est le discours de souveraineté : exécutez la pile sur l’API UE de Mistral ou sur votre propre infrastructure, avec le contrôle sur le lieu de traitement des conversations et la conservation de l’audio. Notez que l’annonce ne lie pas les poids ouverts téléchargeables ; l’auto-hébergement est proposé via le canal de déploiement propre à Mistral.

Ce qu’ElevenLabs a livré : Eleven Realtime v1 Max et v1 Mini

ElevenLabs est passé de bout en bout au lieu de modulaire. Deux modèles de voix-à-parole, sortis le même jour :

• Eleven Realtime v1 Max : la stratégie de précision. ElevenLabs rapporte 98,8 % du benchmark Big Bench Audio avec environ 0,57 seconde de réponse, et indique qu’aucun modèle du classement de la parole d’analyse artificielle n’est à la fois plus rapide et plus précis actuellement. Destiné aux tâches exigeantes comme les robots de support client.
• Eleven Realtime v1 Mini : le jeu de coûts pour des conversations naturelles et quotidiennes. Il peut dire quand un haut-parleur a terminé plutôt que de simplement dire « mm-hmm », ce qui est très important pour une prise naturelle de tour.

Les deux fonctionnent via la plateforme ElevenAgents et une API Realtime compatible OpenAI, permettant ainsi au code vocal OpenAI existant de pointer vers les terminaux ElevenLabs. La tarification est par minute d’utilisation audio plus jetons, avec un prix Max supérieur à Mini ; ElevenLabs n’a pas publié de chiffre fixe par minute comme Mistral l’a fait. Aucun benchmark indépendant au-delà des promesses de l’entreprise n’a encore été publié.

Benchmarks : qui transcrit le mieux

Mistral a publié des chiffres de taux d’erreur de mots sur le benchmark FLEURS dans 45 langues, avec un langage inféré. Voxtral Small Transcribe 3 affiche 4,0 %, égalant Microsoft AI Transcribe 2 dans les chiffres de Mistral, devant Gemini 3.5 Transcribe à 4,5 %, Scribe v2 à 4,9 %, GPT Transcribe à 5,6 % et Whisper large-v3 à 14,9 %.

Deux mises en garde importantes. Premièrement, il s’agit de chiffres rapportés par les fournisseurs issus du post de lancement de Mistral, non vérifiés de manière indépendante, et le post ne publie aucune analyse par langue ni nom de clients. Deuxièmement, ne comparez pas ce graphique au chiffre Big Bench Audio d’ElevenLabs à 98,8 % : différents benchmarks mesurent des choses différentes, et les gagnants des cross-benchmarks ne sont pas déclarés ici pour cette raison.

Pour Eleven Realtime, la déclaration honnête est que les propres affirmations d’ElevenLabs sur Big Bench Audio et Analyse Artificielle sont les seuls chiffres disponibles actuellement. Considérez les chiffres des deux fournisseurs comme du marketing jusqu’à ce que des tiers les reproduisent.

Sur lequel devriez-vous construire ?

Choisissez Voxtral 3 si :

• Vous avez besoin d’une résidence de données européenne ou d’une pile auto-hébergée que votre équipe de conformité pourra auditer.
• La transcription est la charge de travail : 50+ langues à 0,0035 à 0,004 $ par minute, c’est vraiment bon marché.
• Vous voulez un pipeline modulaire où le LLM, la voix et le langage peuvent être échangés indépendamment.
• Vous avez besoin d’utiliser l’outil en plein appel : réservation, recherches de factures, vérification d’identité via SIP et WebRTC.

Choisissez Eleven Realtime si :

• La voix elle-même est le produit : une naturalité premium, des voix de personnages, des agents de marque.
• Vous voulez un système de parole de bout en bout sans vous connecter STT et TTS vous-même.
• Vous construisez déjà sur ElevenAgents ou souhaitez une API Realtime compatible OpenAI.
• Il faut des clones instantanés de voix de 10 secondes plutôt que des adaptations vocales de 30 minutes.

Considérez les deux si : vous développez des agents vocaux pour les clients et que le prix est par projet. La transcription batch de 0,0035 $/min et le TTS de 13 $/M de caractères de Voxtral fixent un plancher bas pour le travail à volume élevé, tandis que le clonage en 10 secondes et la naturalité de la reconnaissance vocale d’ElevenLab peuvent justifier un premium où la voix est le facteur de différenciation. CodeMyPixel intègre exactement ce type d’évaluation dans chaque engagement de développement d’agent IA : testez les deux piles par rapport à vos appels réels avant de vous engager.

FAQ

Combien coûte Voxtral 3 ?

La transcription coûte 0,0035 $ par minute pour Voxtral Mini Transcribe 3 en lot, 0,0040 $ pour Voxtral Small Transcribe 3, et 0,008 $ pour Voxtral Mini Transcribe Temps Réel 3. La synthèse vocale Voxtral Speech 3 coûte 13 $ par million de caractères, le même prix pour l’utilisation en lot et en temps réel.

Voxtral 3 est-il open source ?

L’annonce de lancement ne lie ni poids ouverts ni licence téléchargeable. Mistral propose les modèles via son API avec des points de terminaison de l’UE, des États-Unis et du monde, et les équipes ayant besoin de l’audio pour rester dans leur propre environnement peuvent demander à Mistral s’il existe un déploiement en auto-hébergement ou en cloud privé.

Quelle est la précision de Voxtral Small Transcribe 3 ?

Sur le test FLEURS de Mistral dans 45 langues, il affiche un taux d’erreur de 4,0 % avec le langage inféré, contre 4,5 % pour Gemini 3.5 Transcribe, 4,9 % pour Scribe v2, 5,6 % pour GPT Transcribe et 14,9 % pour Whisper large-v3. Microsoft AI Transcribe 2 l’égalise à 4,0 %. Ce sont les chiffres publiés par Mistral, non vérifiés de manière indépendante.

Quelle est la différence entre Voxtral 3 et ElevenLabs Eleven Realtime ?

Voxtral 3 est une pile modulaire : des modèles séparés de reconnaissance vocale, de LLM et de synthèse vocale, rejoints par un SDK basé sur LiveKit. Eleven Realtime est une reconnaissance vocale de bout en bout : un modèle reçoit et produit l’audio en sortie, en deux niveaux (v1 Max pour la précision, v1 Mini pour le coût).

Voxtral Speech 3 peut-il cloner une voix ?

Oui, à partir de 30 minutes ou plus d’audio. Une option Pro Voice adapte le caractère, la gamme émotionnelle et le style du locuteur à travers différentes langues à partir d’environ 30 minutes d’enregistrements. Les préréglages vocaux sont disponibles en 18 langues.

Quand Voxtral 3 est-il sorti ?

Mistral a annoncé Voxtral 3 le 20 octobre 2026, un jour après son modèle Timestral en série temporelle. ElevenLabs a publié Eleven Realtime le même après-midi.

Lequel est le meilleur pour un agent vocal du support client ?

Si les appels de support sont exécutés dans de nombreuses langues et que les budgets sont serrés, la transcription à 0,004 $/min avec diatrisse du haut-parleur et son SDK LiveKit de Voxtral 3 sont le choix pratique. Si les appelants ne doivent jamais avoir l’impression de parler à un robot, le pipeline de parole-parole de 0,57 seconde d’Eleven Realtime v1 Max est conçu pour cela. La plupart des équipes devraient piloter les deux sur des enregistrements d’appels réels avant de choisir.

Où puis-je faire créer un agent vocal pour mon entreprise ?

CodeMyPixel conçoit et développe des agents IA personnalisés qui gèrent les appels, les réservations et les suivis pour de vraies entreprises, y compris des agents vocaux sur des stacks comme Voxtral 3. Commencez par une évaluation gratuite des opportunités IA pour voir quelles parties de votre opération un agent vocal peut prendre en charge.

Sources : post de lancement Mistral AI (mistral.ai/news/voxtral-3), Technobezz, The Decoder, The Circuitry, ai-tldr, explainx.ai. Tous les chiffres de référence et de prix sont tels que rapportés par les fournisseurs le 20 octobre 2026, et n’ont pas été vérifiés de manière indépendante.

• mistral voxtral 3
• voice ai
• voice agents
• elevenlabs
• text to speech
• speech to text