Pendant des décennies, parler à une machine a voulu dire se plier à elle : appuyer sur une touche, attendre la fin du menu, répéter trois fois un mot que le serveur vocal comprenait de travers. La voix est restée une interface ingrate, et les centres d’appels ont surtout appris aux clients à s’adapter à leurs menus.
La photographie a posé, au XIXe siècle, le problème que la voix pose aujourd’hui : dès qu’un cliché a pu reproduire un visage sans l’accord de son porteur, la jurisprudence a fini par reconnaître à chacun un droit sur son image. La synthèse vocale replace la voix dans la même situation, mais un clone ne copie pas un enregistrement, il en fabrique à volonté.
C’est sur ce terrain que la société française Mistral AI revient avec Voxtral 3, une famille de modèles de voix dévoilée le mardi 20 octobre 2026 : des transcripteurs pour plus de cinquante langues, un synthétiseur qui en parle plus de trente-cinq, et un kit pour bâtir des agents vocaux, ces assistants qui conversent de vive voix. ElevenLabs, éditeur spécialisé dans les voix de synthèse, revendique environ quatre-vingt-dix langues. Voici ce que contient la famille, ce que ses chiffres établissent, ce qu’elle coûte, où va l’audio, comment un agent converse et ce que le droit exige de qui prête une voix à une machine.
Une famille de modèles et un kit
La famille compte quatre modèles. Voxtral Small Transcribe 3, présenté comme le plus précis, et Voxtral Mini Transcribe 3, de 4 milliards de paramètres, travaillant par lots, savent tous deux attribuer les paroles à chaque locuteur (diarisation) et tenir compte du vocabulaire attendu (biaisage contextuel) ; Voxtral Mini Transcribe Realtime 3 écoute en continu pour les agents ; Voxtral Mini TTS 3 synthétise la voix. Le kit, bâti sur LiveKit, enchaîne écoute, raisonnement, appels d’outils et réponse en un seul flux, le raisonnement revenant à un modèle généraliste distinct, Mistral Small 4 par exemple.
Pour qui déploie des outils qui transcrivent et traduisent, des assistants intégrés aux appareils ou des centres d’appels, un seul fournisseur couvrant plus de langues, à l’écoute comme à la parole, réduit le nombre de prestataires à raccorder, et le kit facilite le montage du produit. Pour les clients européens, un acteur français peut aussi faire pencher les arbitrages, techniques comme réglementaires.
Après Robostral Navigate, son premier modèle de navigation pour robots, présenté le 8 juillet, Mistral dépasse le cadre des modèles de langage généralistes. La voix cesse d’être un produit à part : sans elle, un éditeur de modèles ne vend que du texte par interface de programmation ; avec elle, il livre un agent entier.
Langues annoncées, langues mesurées
De neuf à 35 langues, contre 90
Mistral revendique la transcription de plus de 50 langues, dont les 24 langues officielles de l’Union européenne et de nombreuses langues asiatiques et indiennes à faibles ressources, et une synthèse en plus de 35 langues et 50 dialectes. Le bond est net : le premier synthétiseur, publié le 23 mars, parlait neuf langues, soit une couverture presque quadruplée en sept mois.
ElevenLabs revendique environ 90 langues, plus du double des 35 langues que Voxtral 3 sait parler, et garde sur ce point une avance nette : Eleven v4, son synthétiseur lancé le 28 septembre, en annonce plus de 90 et, d’après sa documentation, Scribe v2, sa transcription, autant, là où Mistral en annonce plus de 50.
Cinquante annoncées, quarante-cinq comparées
Le chiffre de 50 est une revendication plus qu’une mesure. FLEURS, le benchmark public sur lequel Mistral publie ses courbes, couvre 102 langues ; le graphique principal n’en compare que 45, dont 21 des 24 langues officielles de l’Union (ni irlandais, ni croate, ni maltais), et celui du temps réel 35. Les voix prédéfinies se limitent à 18 langues ou variantes, et le temps réel affiche plus de 35 langues dans le texte, plus de 40 dans la fiche tarifaire.
Revendications de Mistral, mesures de tiers
Des graphiques signés par Mistral
Presque toutes les évaluations sont des mesures de Mistral. Sur FLEURS, Voxtral Small Transcribe 3 affiche un taux d’erreur de mots de 4,0 % avec la langue imposée et 4,1 % avec la langue détectée, en tête à égalité avec Microsoft AI Transcribe 2, quand Whisper large-v3 reste à 14,9 et 16,0 % ; en diarisation, l’erreur par locuteur est de 18,4 %, contre 19,0 % pour Pyannote et 23,0 % pour Scribe v2. La supériorité sur Whisper, Scribe v2 et Gemini 3.5 Transcribe, qui ne nomme pas Microsoft, est donc une affirmation de Mistral.
Des tiers, une troisième place
Artificial Analysis calcule l’indice d’erreur de mots que reprend un graphique de Mistral : Voxtral Small Transcribe 3 y vient troisième, à 2,1 % contre 2,0 % pour Microsoft AI Transcribe 2 et 1,7 % pour Fun-Realtime-ASR-preview. Mais l’indice repose pour moitié sur un jeu privé de 469 échantillons de parole d’agents vocaux, pour le reste sur des débats du Parlement européen et des conférences de résultats, le tout en anglais : il ne dit rien des 50 langues.
Une voix jugée par un modèle
Le Voice Code Bench, conçu par BeSimple AI, repose sur 300 invites en anglais, centrées sur les nombres et les noms d’un service client, que juge un modèle Gemini : Voxtral TTS y lit fidèlement 80 % des clips pour 13 dollars le million de caractères, Eleven v4 98 % pour 80 dollars et Eleven v4 Turbo 98 % pour 40. Les autres graphiques de voix sont internes à Mistral et jugés de même, Voxtral y devançant Eleven v4 sur le contrôle de la prononciation, 87 % contre 68 %. Nulle écoute humaine n’est publiée, alors que mars en comptait une : la qualité se jugera en situation réelle, où l’oreille est vite fixée.
Licence, tarifs et hébergement
Une API, sans licence annoncée
Le communiqué ne mentionne ni licence ni poids ouverts. Les modèles sont servis par l’API ; le déploiement sur infrastructure propre est évoqué, mais la pile complète passe par un contact commercial. À l’inverse, la première série de Voxtral, le 15 juillet 2025, et Voxtral Realtime, le 4 février, sortaient sous licence Apache 2.0, et le premier synthétiseur offrait en mars un modèle sous CC BY-NC 4.0, non commerciale. Mistral Large 4, présenté le 6 octobre, a ses poids promis pour la fin du mois ; rien de tel n’est annoncé pour Voxtral 3.
Des prix en sens contraire
La transcription coûte 0,0035 dollar la minute par lots, 0,004 avec le plus gros modèle et 0,008 en temps réel ; la voix, 13 dollars le million de caractères ; l’agent complet, 0,04 dollar la minute avec Mistral Small 4, 0,08 avec un autre modèle de raisonnement. Mistral dit sa voix moins chère qu’OpenAI TTS-1, Deepgram, ElevenLabs Flash et Gemini Flash. Depuis mars, la voix baisse d’environ 19 % ; depuis février, la transcription renchérit, de 0,003 à 0,0035 dollar la minute par lots.
Où va l’audio
L’API est annoncée sur des points d’accès européens, américains et globaux, et Mistral dit laisser contrôler où l’audio est traité et s’il est conservé ; le communiqué ne dit ni où il l’est par défaut ni pour combien de temps. Or une voix est une donnée personnelle, biométrique quand elle sert à identifier, donc sensible au sens du RGPD : le choix du point d’accès devient un choix juridique. La capacité que Mistral bâtit en France ne servira pas qu’à lui : l’accord annoncé le 21 juillet en ouvre une partie à Microsoft.
Un agent qui écoute et parle
Un agent vocal n’est pas un modèle qui entendrait et parlerait : c’est une cascade, où le transcripteur écoute en continu et décide quand l’interlocuteur a fini, un modèle de langage raisonne et déclenche des actions, et le synthétiseur répond. Le kit branche l’ensemble sur la téléphonie (SIP), le web (WebRTC) et les logiciels de centres de contact, et lui ouvre les systèmes de l’entreprise : vérifier l’identité d’un appelant, consulter une facture, prendre un rendez-vous. Le communiqué ne décrit aucun étage de contrôle, quand Mistral publie depuis le 4 août Shieldstral, un modèle ouvert de contrôle, donné pour douze langues.
La promesse est chiffrée : moins de 500 millisecondes pour la transcription en temps réel, moins d’une seconde par tour, l’agent se taisant quand l’appelant l’interrompt, avec une détection de fin de tour, acoustique et sémantique, qui évite de couper la parole. L’étalon humain est connu : dans dix langues, Stivers et ses collègues (PNAS, 2009) mesurent un délai moyen de 208 millisecondes entre deux tours, et moins d’une seconde reste un plafond près de cinq fois supérieur. La vitesse se paie en exactitude : sur le graphique du temps réel, l’erreur passe de 5,7 % avec 2,4 secondes de délai à 6,4 % avec 480 millisecondes, contre 4,0 % hors ligne, et aucune mesure indépendante de latence n’accompagne le communiqué.
La voix, le consentement et le droit
Un clonage sans vérification annoncée
Le communiqué vante des voix qui adaptent émotion, rythme et accentuation au contexte, le clonage à partir de plus de 30 minutes d’audio et « Pro Voice », adaptation qui reproduit le caractère, l’émotion et le style d’élocution d’un locuteur. Il ne dit rien du consentement du locuteur ni du marquage des voix de synthèse. La documentation de Mistral, qui porte dès mars une politique d’usage du clonage, interdit de cloner sans consentement explicite et décline toute responsabilité : un engagement de l’utilisateur, pas une vérification.
L’oreille ne suffit pas : Barrington, Cooper et Farid concluent, le 31 mars 2025, que les auditeurs identifient mal les voix générées, et Mistral annonçait le 23 mars dernier qu’une référence de trois secondes suffit à adapter une voix. Consumer Reports a trouvé en mars 2025 quatre produits de clonage sur six sans mesure élémentaire. ElevenLabs, l’un des six, a annoncé le 10 septembre avec Universal Music Group un accord fondé, selon Semafor, sur l’adhésion volontaire des artistes, mécanisme non publié.
Le droit et la voix
En France, la première chambre civile de la Cour de cassation a jugé le 24 juin 2026 que « la voix d’une personne est l’un des attributs principaux de sa personnalité », protégée à l’instar de l’image par l’article 9 du code civil et l’article 8 de la Convention européenne ; l’affaire portait sur un entretien de webradio repris dans une chanson, non sur un clone. L’article 226-8 du code pénal, complété par la loi SREN du 21 mai 2024, punit d’un an de prison et 15 000 euros la diffusion sans consentement d’un contenu sonore généré par algorithme, deux ans et 45 000 euros en ligne, sauf caractère artificiel évident ou signalé.
Le 2 juillet 2026, avant tout procès, le juge des référés de Paris a ordonné à Google Ireland de communiquer l’identité du titulaire d’une chaîne YouTube qui clonait depuis 2023 la voix d’un sociétaire de la Comédie-Française, jugeant l’action fondée sur les droits voisins non manifestement vouée à l’échec malgré l’incertitude sur la reproduction d’une voix générée. Le Danemark a présenté le 8 octobre un projet qui interdirait de partager sans consentement des imitations réalistes du visage et de la voix, visé pour début 2027 si le Parlement l’adopte.
L’article 50 du règlement européen sur l’IA, applicable depuis le 2 août 2026, impose d’informer la personne qu’elle parle à une IA, sauf évidence, et de marquer les contenus audio synthétiques ; le texte ne dit pas à partir de quand une voix naturelle rend l’IA évidente. Enregistrer une conversation relève d’autres règles : le code pénal français présume le consentement de qui, au courant, ne s’oppose pas, quand la Californie exige l’accord de toutes les parties. Waymo a présenté le 29 juillet un assistant vocal Gemini dans ses taxis sans conducteur, sans dire un mot de l’enregistrement des échanges : le rapprochement est juridique, non une déclaration de l’entreprise.
Voxtral 3 donne à Mistral une pile vocale complète, avec plus de 50 langues transcrites, plus de 35 parlées et un tour de parole en moins d’une seconde. Les graphiques qui l’accompagnent sont presque tous de Mistral, et le communiqué reste muet sur la licence, la durée de conservation de l’audio et le consentement du locuteur.
Ce qui compte tient moins au total qu’à la vitesse : de neuf à plus de 35 langues de synthèse en sept mois, quand ElevenLabs reste devant avec ses 90. L’offre de Mistral épargne aux entreprises européennes de raccorder trois prestataires, et sur le banc d’essai d’un tiers ElevenLabs garde l’avantage de qualité, à un prix de trois à six fois supérieur. L’issue se jouera sur les voix, les prix et le rythme des langues ; si des poids suivent, l’audio pourra rester chez le client, sinon le point d’accès portera seul la promesse de souveraineté.
Au-delà de Mistral, la voix devient une matière que le droit protège déjà, à l’égal de l’image. Un acteur européen n’offrira un avantage réglementaire que si son produit embarque ce que les textes demandent : un locuteur qui a consenti, une machine qui s’annonce, un audio dont on sait où il va. Reste à savoir si le consentement demeurera une déclaration de l’utilisateur ou deviendra une preuve.
Aller plus loin
Le point de départ est le communiqué du 20 octobre Voxtral 3: Voice Agent SDK & Speech Models in 50+ Languages, qui donne la composition de la famille, les langues, les tarifs, la latence annoncée et les points d’accès, avec des notes de méthode qui disent qui a produit chaque mesure, et ne dit rien de la licence, des poids ni du consentement.
La synthèse vocale de mars se lit dans Speaking of Voxtral, qui annonçait neuf langues, une voix adaptée à partir de trois secondes, 0,016 dollar les mille caractères, des poids sous licence non commerciale et une évaluation par des auditeurs humains : la référence pour mesurer le chemin parcouru en sept mois.
La méthode derrière la troisième place est exposée par Speech to Text Benchmarking Methodology, la page où Artificial Analysis décrit son indice AA-WER dans sa version 2.2 de mai 2026 : une pondération de 50 % pour un jeu privé de 469 échantillons de parole d’agents vocaux, de 25 % pour des débats du Parlement européen en anglais et de 25 % pour des conférences de résultats.
L’échelle humaine de la conversation vient de Universals and cultural variation in turn-taking in conversation, étude parue dans PNAS en 2009 sur dix langues : un délai moyen de 208 millisecondes entre deux tours, avec un écart d’environ 250 millisecondes autour de cette moyenne selon les langues, du japonais, presque immédiat, au danois, plus lent.
Les limites de l’oreille sont établies par People are poorly equipped to detect AI-powered voice clones, étude de Sarah Barrington, Emily Cooper et Hany Farid parue dans Scientific Reports le 31 mars 2025 : les participants n’identifient pas de façon fiable les voix générées, d’où la nécessité d’outils techniques de détection.
Le constat sur les garde-fous est dressé par l’évaluation de six produits de clonage vocal par Consumer Reports, publiée le 10 mars 2025 : quatre produits sur six sans mesure élémentaire, et la demande d’un mécanisme technique qui confirme le consentement du locuteur.
La protection de la voix repose en France sur l’arrêt de la Cour de cassation du 24 juin 2026, n° 25-20.483, publié au Bulletin, qui rattache la voix à l’article 9 du code civil et à l’article 8 de la Convention européenne, la met en balance avec la liberté d’expression et censure une cour d’appel pour avoir écarté le débat d’intérêt général.
L’infraction pénale française se lit dans la note de Hogan Lovells sur la loi SREN, qui détaille les articles 226-8 et 226-8-1 du code pénal, leurs peines, l’exception du caractère artificiel évident ou signalé, et les incertitudes sur la notion de traitement algorithmique et sur la compatibilité avec le droit européen.
Le front législatif étranger apparaît dans l’article d’Euronews sur le projet de loi danois, publié le 8 octobre : interdiction du partage d’imitations réalistes du visage et de la voix, exceptions de satire et de parodie, entrée en vigueur visée début 2027, texte non adopté.
L’obligation d’informer figure dans l’article 50 du règlement (UE) 2024/1689, dont le texte intégral, reproduit sur un site de référence, impose de signaler l’IA à la personne qui interagit avec elle, sauf évidence pour une personne raisonnablement avisée, de marquer l’audio synthétique et d’étiqueter les hypertrucages, au plus tard dès la première interaction.
Rapprochés, ces documents montrent que les chiffres d’un lancement vocal se lisent à côté de leur méthode de mesure, que la conversation se juge à l’échelle du délai humain, et que le consentement du locuteur, absent du communiqué, relève déjà de règles dispersées entre droit civil, droit pénal et droit européen.