LFM3-Audio-2B vs Voxtral 3 : un téléchargement de 2,1 Go face à une plateforme vocale

La façon honnête d'ouvrir une comparaison entre LFM3-Audio-2B et Voxtral 3 est de dire que personne n'en a publié une série de runs. Liquid AI a publié un tableau de benchmarks pour son modèle audio de 2 milliards de paramètres, et Mistral en a publié un pour sa suite vocale, et les deux tableaux ne partagent presque aucune ligne. Là où ils se rejoignent, les modèles mesurés ne sont pas de la même génération. Quiconque vous dit lequel des deux est « meilleur » sur un benchmark compare un chiffre issu d'un protocole de test à un chiffre issu d'un autre, en espérant que vous ne vérifierez pas.

Ainsi, cet article fait quelque chose de moins net et de plus utile. Il sépare la question à laquelle vous pouvez répondre de celle à laquelle vous ne le pouvez pas. Vous ne pouvez pas encore dire quel modèle transcrit mieux l’allemand, car il n’existe pas de test multilingue commun aux deux. Vous pouvez affirmer, avec assurance et d’après la documentation des deux fournisseurs, qu’il ne s’agit pas du tout du même type de produit : l’un est un fichier de 2,1 GB que vous exécutez vous-même, et l’autre est un pipeline à quatre modèles avec un SDK de téléphonie attaché et aucun poids téléchargeable.

Cette différence détermine la plupart des déploiements réels avant même que l’on ait consulté le moindre chiffre de WER. Le reste de cet article porte sur les cas où ce n’est pas le cas.

Le Voxtral Liquid benchmarké n’est pas celui auquel vous vous comparez.

La fiche modèle de Liquid place LFM3-Audio-2B aux côtés de six concurrents, et l’un d’eux est un Voxtral. La ligne est intitulée Voxtral Mini 3B, et sur l’ASR en anglais, il surpasse le modèle de Liquid : taux d’erreur sur les mots de 5,51 % contre 6,23 %. C’est la seule comparaison directe avec Voxtral que Liquid ait publiée, et il est facile de l’interpréter comme « le modèle audio de Mistral transcrit plus précisément ».

Ce n'est pas la comparaison que le titre laisse entendre. Voxtral Mini 3B est mistralai/Voxtral-Mini-3B-2507 — un modèle de 3B publié en juillet 2025 sous Apache 2.0, conçu pour un déploiement local et en périphérie. Il précède Voxtral 3 de quinze mois et appartient à une génération de produit différente. La gamme Mistral du 20 octobre 2026 ne contient aucun modèle appelé Voxtral Mini 3B ; son plus petit transcripteur est Voxtral Mini Transcribe 3, avec 4B paramètres et 0,0035 $ par minute.

Il y a aussi une incohérence dans le tableau. La colonne des paramètres de cette ligne indique 5B, sur une ligne nommée d’après un modèle 3B. Ce n’est pas une raison de douter des chiffres de WER, qui proviennent d’une évaluation nommée — ESB et l’ensemble Open ASR leaderboard, moyennés. C’est une raison de lire les intitulés de colonne des tableaux des fournisseurs avant de lire les chiffres.

La conséquence mérite d’être énoncée clairement, car c’est le fait le plus utile de cet article : il n’existe aucune comparaison directe publiée entre LFM3-Audio-2B et quelque modèle Voxtral 3 que ce soit. Ni de la part de Liquid, ni de Mistral, ni d’un évaluateur indépendant. Liquid a comparé son nouveau modèle au modèle audio à poids ouverts de Mistral datant de 2025, un choix défendable pour une comparaison équitable entre modèles ouverts — et c’est aussi le seul type de comparaison désormais possible, car Voxtral 3 ne fournit aucun poids. La comparaison audio à poids ouverts de 2026 ne peut pas être menée du tout face à Voxtral 3.

Ce que sont réellement les deux produits

L’asymétrie est plus facile à voir dans la forme de la release que dans les spécifications.

LFM3-Audio-2B est un modèle, publié le 27 octobre 2026 dans le cadre de la famille LFM3, qui compte six modèles. Il accepte en entrée du texte ou de l’audio à 16 kHz, et produit en sortie du texte, de la parole à 24 kHz, ou du texte et de la parole entrelacés, ainsi que des appels d’outils. Un nouvel encodeur audio causal développé en interne lui permet de préremplir pendant que vous parlez encore. Son LiquidCodec, le tokeniseur, compresse 80 millisecondes de parole en 12 tokens discrets, décodés en parallèle plutôt que séquentiellement, à environ 87 fois la vitesse réelle sur un seul thread CPU d’un M4 Max — une mesure de débit du codec, et non une exigence matérielle.

Voxtral 3, annoncé le 20 octobre 2026, est une suite : un transcripteur par lots, un second transcripteur par lots plus petit, un transcripteur en streaming, un modèle TTS, un produit d’adaptation vocale, et un SDK d’agents vocaux basé sur LiveKit qui les assemble via SIP et WebRTC. Vous ne choisissez pas Voxtral 3. Vous choisissez un pipeline, et Voxtral 3 fournit les étapes.

• Poids — LFM3-Audio-2B est distribué avec des poids ouverts sous la licence LFM Open License v1.0 ; Voxtral 3 ne publie aucun poids téléchargeable, et les documents de lancement de Mistral décrivent plutôt un accès API, des playgrounds Studio et un déploiement sur infrastructure privée.

• Empreinte — 2,1 Go sur Ollama face à un endpoint ; il n'y a aucun fichier Voxtral 3 à dimensionner.

• Contexte — 32K tokens pour LFM3-Audio-2B, entrée et sortie incluses. Mistral ne publie pas la moindre valeur de contexte pour les transcripteurs ; il facture plutôt à la minute.

• Modalités — LFM3-Audio-2B est any-to-any dans un seul modèle : entendre, parler, comprendre, traduire, appeler des outils. Voxtral 3 répartit ces fonctions entre des modèles et des points de terminaison distincts ; les transcripteurs et le modèle TTS ne font pas partie du même système.

• Licence — LFM Open License v1.0, gratuite pour une utilisation commerciale en dessous de 10 millions de dollars de chiffre d'affaires annuel ; Voxtral 3 est une API commerciale dont les conditions s'appliquent à chaque appel.

• Diarisation et biais contextuel — Voxtral 3 dispose des deux, avec un cpWER de 18,4 % sur le propre jeu de diarisation de Mistral et un rappel des phrases clés qui passe de 81,4 % à 94,6 % lorsque vous fournissez du contexte. LFM3-Audio-2B ne publie aucune des deux capacités.

La couverture linguistique est le seul écart qui n’est pas près d’être comblé.

LFM3-Audio-2B prend en charge 18 langues réparties sur 19 locales, listées sur la fiche : arabe, danois, allemand, grec, anglais (britannique et américain comptés séparément), finnois, français, hébreu, italien, japonais, coréen, néerlandais, polonais, portugais, espagnol, suédois, turc et chinois. Il évalue l'ASR multilingue sur neuf d'entre elles et rapporte un taux d'erreur moyen de 6,03 sur FLEURS, en utilisant le taux d'erreur sur les caractères pour le chinois, le japonais et le coréen.

Les transcripteurs de Voxtral 3 couvrent 50 langues ou plus. Le modèle temps réel revendique 35+ à un endroit de la page et 40+ à un autre, ce genre d’incohérence qui signifie généralement que le chiffre a changé pendant la semaine de lancement et que personne n’a harmonisé le texte.

Si votre audio arrive en vietnamien, hindi, russe, norvégien ou catalan, LFM3-Audio-2B ne le mentionne pas, et Voxtral 3 parle ces cinq langues — elles font partie des dix-huit langues de préréglages vocaux que Mistral cite. Sur l’ensemble de la liste, nous n’avons pas pu identifier une langue prise en charge par Liquid que les plus de 50 langues de transcription de Mistral ne prétendent pas couvrir. La mise en garde honnête est que Mistral publie intégralement sa liste de préréglages vocaux et sa couverture de transcription uniquement sous forme de nombre, donc une partie de cette comparaison oppose une liste à un nombre.

La documentation de Liquid elle-même contient une mise en garde plus acérée. Le mode ASR en direct du modèle — celui qui transcrit à mesure que l’audio arrive, par blocs d’environ 0,96 seconde — ne prend en charge que l’anglais. La transcription par lots couvre la liste complète des 18 langues ; le mode streaming, non. Quiconque envisage une fonctionnalité de sous-titrage multilingue en temps réel basée sur LFM3-Audio-2B devrait relire cette ligne deux fois, car elle exclut le modèle pour cette tâche, quel que soit le tableau WER.

Deux chiffres de latence qui ne mesurent pas la même chose

Liquid annonce un temps jusqu’au premier token « aussi faible que 50 ms ». Mistral annonce moins de 500 ms pour son transcripteur en temps réel et un tour d’agent complet en moins d’une seconde. Ces chiffres ne sont pas comparables, et la différence n’est pas une erreur d’arrondi.

Le chiffre de 50 ms correspond à un trajet parole-parole : l’encodeur causal commence à traiter avant que vous ayez fini votre phrase, de sorte que le modèle peut commencer à émettre le premier token de sa réponse alors que l’audio arrive encore. Il s’agit d’une affirmation sur l’interactivité d’un modèle conversationnel. Le chiffre inférieur à 500 ms correspond à la latence de transcription — le délai avant que le texte apparaisse — et les propres tableaux de Mistral montrent ce qu’il en coûte. Sur son benchmark temps réel, Voxtral Mini Transcribe Realtime 3 à 960 ms de latence affiche un WER de 6,0 % ; à 480 ms, il est de 6,4 % ; à 240 ms, il est de 7,4 %. Latence et précision s’arbitrent directement l’une contre l’autre, et Mistral vous permet de choisir le point sur cette courbe.

Liquid ne publie aucune courbe équivalente. Il publie un plancher — 50 ms — sans matériel précisé, sans jeu de tests et sans précision à cette latence. Ce plancher est peut-être réel. Ce n’est pas encore une spécification sur laquelle fonder la planification d’un produit.

Le calcul des coûts, démontré plutôt qu’affirmé

Comparer un modèle à poids ouverts à une API facturée à la minute se résume à une question de volume, et l’arithmétique est assez simple pour être faite correctement.

Transcription, 1 000 heures d’audio — 60 000 minutes. Voxtral Mini Transcribe 3 à 0,0035 $/minute revient à 210 $. Voxtral Small Transcribe 3 à 0,004 $ revient à 240 $. Voxtral Mini Transcribe Realtime 3 à 0,008 $ revient à 480 $. LFM3-Audio-2B est un téléchargement gratuit qui fonctionne sur du matériel que vous possédez déjà, donc son coût marginal est l’électricité.

Synthèse vocale, 1 000 heures — à raison d’environ 900 caractères par minute de parole, cela représente 54 millions de caractères. Voxtral Mini TTS 3, à 13 $ le million de caractères, revient à 702 $. LFM3-Audio-2B ne coûte rien par caractère et propose deux options de voix, masculine et féminine, sélectionnées par prompt. Voxtral clone une voix à partir de 30 minutes d’audio et expose des contrôles d’émotion, de débit et d’accentuation.

Un agent vocal en direct, 1 000 heures de conversation — Mistral facture le pipeline assemblé à 0,04 $ par minute avec Mistral Small 4 qui effectue le raisonnement, 0,08 $ avec un modèle plus grand. Cela représente 2 400 à 4 800 $. LFM3-Audio-2B gère l’écoute et la parole en local, mais il a toujours besoin d’un modèle de raisonnement pour tout ce qui dépasse ses propres compétences, et sa fiche indique clairement qu’il n’est pas recommandé pour le raisonnement complexe à plusieurs étapes.

Voici la partie qu’on omet généralement : le seuil de rentabilité. Une machine à 1 000 $ s’amortit après environ 4 760 heures de Voxtral Mini Transcribe 3 — soit environ 200 jours d’audio continu, ou un an et demi à raison de huit heures par jour. À faible volume, l’API coûte moins cher que l’achat de matériel, et elle est moins chère dès le jour où l’on commence. Le cas des poids ouverts n’est pas « gratuit ». C’est « un coût fixe au lieu d’un coût marginal », et il ne l’emporte que lorsque le volume est au rendez-vous, que l’exigence de confidentialité est forte ou que l’appareil n’a pas de réseau.

Là où un routeur trouve sa place dans ce tableau, ce n'est sur aucun des deux modèles audio — ni LFM3-Audio-2B ni Voxtral 3 ne figurent aujourd'hui au catalogue d'OrcaRouter, et nous n'allons pas prétendre le contraire. C'est sur l'étape de raisonnement dont les deux architectures finissent par avoir besoin. Un agent vocal est une chaîne : transcrire, raisonner, parler. Le maillon intermédiaire est un LLM hébergé, et c'est ce maillon qui bénéficie d'une seule clé pour plus de 200 modèles, des tarifs fournisseurs rétrocédés sans marge (0 %), de sorte qu'un changement de prix chez un fournisseur vous parvienne le jour même, et d'un basculement automatique en cas de défaillance lorsqu'un fournisseur connaît un incident en pleine conversation.

Ce qui est vérifié, et ce qui ne l’est pas

Trois niveaux de preuves entrent ici en jeu, et c’est en les aplatissant que les comparaisons tournent mal.

Mesuré indépendamment. La qualité de transcription de Voxtral 3 est étayée par des chiffres de tiers : Artificial Analysis a classé Voxtral Small Transcribe 3 à 2,1 % de WER sur son propre indice, troisième au classement général au 21 octobre 2026, Voxtral Mini Transcribe 3 étant à 2,2 %. Son TTS a atteint la 13e place sur l’arène Provider Voice avec 1 217 Elo et la 14e place sur Controlled Voice avec 1 066 — en milieu de tableau, et il faut le dire clairement étant donné que la publication sur les réseaux sociaux de Mistral le décrivait comme faisant partie des douze premiers.

Rapporté par le fournisseur, non reproduit. Chaque chiffre de LFM3-Audio-2B dans cet article provient de Liquid lui-même : le WER anglais de 6,23, le chiffre multilingue de 6,03, le 3,83 UTMOSv2, le 73,13 VoiceBench, l’évaluation interne de tool-calling de 58,50 et le 50,60 MMAR. À la date de rédaction, il n’existe aucune entrée Artificial Analysis pour le modèle, et aucun tiers n’a publié de reproduction. Considérez-les comme des affirmations, et non comme des mesures.

Pas comparables du tout.Le WER anglais de 6,23 % de Liquid, le chiffre FLEURS de 4,0 % de Mistral et les 2,1 % d’Artificial Analysis correspondent à trois tests différents sur trois ensembles audio différents. Ne les soustrayez pas. La seule comparaison à harnais identique publiée par Liquid est avec Voxtral Mini 3B — le modèle à poids ouverts de 2025. Là, le 2B de Liquid obtient 6,23 contre 5,51 pour Voxtral en ASR anglais, mais le dépasse en ASR multilingue (6,03 contre 7,76), VoiceBench (73,13 contre 65,78), MMAR (50,60 contre 50,10) et appel d’outils (58,50 contre 44,50).

Ce que « livré discrètement » veut vraiment dire ici

LFM3-Audio-2B n’a pas bénéficié d’un lancement qui lui soit propre, et cette distinction est importante si vous voulez décider dans quelle mesure faire confiance à la documentation.

Liquid a annoncé la famille LFM3 le 27 octobre 2026 dans un article intitulé « Introducing LFM3: Every Modality for Specialized Intelligence ». Le modèle audio y apparaît comme l’un des six, dans une section — il n’existe pas d’article de blog dédié au LFM3-Audio, ni de lancement séparé, ni de page produit qui lui soit propre. Les poids et la fiche modèle sont complets et publics. L’entrée Ollama, ollama run lfm3-audio à 2,1 Go, est apparue le 28 octobre sans annonce correspondante de la part de Liquid ou d’Ollama, en parallèle d’une pull request llama.cpp qui a ajouté les modèles audio et omni, l’ASR en direct étant reporté à une mise à jour ultérieure.

Donc le cadrage est le suivant : l’artefact est réel et documenté, le lancement n’était qu’un paragraphe au sein d’une annonce familiale, et la prise en charge de l’exécution locale est arrivée un jour plus tard, discrètement. Concrètement, cela signifie que la fiche modèle fait autorité — pas un billet de lancement, puisqu’il n’y en a pas — et cette fiche est inhabituellement précise sur les limites, ce qui plaide en sa faveur. Elle indique que LiveASR ne fonctionne qu’en anglais. Elle précise que le modèle n’est pas destiné au codage agentique ni au raisonnement complexe en plusieurs étapes. Elle renvoie les tâches à forte composante de connaissances vers la récupération. Un fournisseur qui cache un modèle faible n’écrit généralement pas cela.

Qui devrait prendre lequel

Choisissez LFM3-Audio-2B si l’audio ne peut pas quitter l’appareil, si vous avez besoin d’un seul modèle qui écoute et parle sans assembler deux services, si vos langues font partie de ses dix-huit, et si votre volume est suffisamment élevé pour qu’un coût matériel fixe soit plus avantageux qu’une facture à la minute. C’est aussi le bon choix pour prototyper une interface vocale sans aucun approvisionnement — 2,1 Go et une commande Ollama. Acceptez que son ASR en anglais soit en retard sur la dernière génération de Voxtral ouvert, que le streaming soit réservé à l’anglais, et qu’aucun évaluateur indépendant n’ait vérifié ses chiffres.

Choisissez Voxtral 3 si vous construisez un agent téléphonique plutôt qu’une fonctionnalité de modèle. La suite existe pour être assemblée : transcripteur, modèle de raisonnement, TTS, sur SIP et WebRTC, avec l’interruption et la détection de fin de tour déjà résolues. Choisissez-la aussi si vous avez besoin de plus de 50 langues, de diarisation, de biais contextuel pour les noms et le jargon, ou de clonage vocal — quatre capacités que LFM3-Audio-2B n’offre sous aucune forme. Le compromis, c’est que vous ne pouvez pas la télécharger, ni l’inspecter, et que votre coût augmente linéairement avec chaque minute de service, pour toujours.

Prenez les deux si l’architecture le permet, et c’est souvent le cas. Exécutez LFM3-Audio-2B sur l’appareil pour le mot d’activation, la dictée locale et le parcours hors ligne ; envoyez les appels qui nécessitent une couverture multilingue, une diarisation ou une voix clonée à Voxtral 3. Les deux ne se disputent pas le même emplacement dans une pile. L’un est le modèle à l’intérieur de votre produit ; l’autre est le fournisseur que vous appelez lorsque le produit est une ligne téléphonique.

La comparaison à surveiller

Deux choses permettraient de régler cela correctement, et aucune des deux n’existe encore.

Le premier est une évaluation indépendante de LFM3-Audio-2B sur le même banc d’essai qu’Artificial Analysis utilise pour les modèles Voxtral 3. Ce seul chiffre — son indice WER sur un test partagé — ferait passer l’affirmation la plus lourde de conséquences du tableau de Liquid du statut d’assertion du fournisseur à celui de mesure, et vous dirait si un modèle 2B exécuté sur un ordinateur portable se situe réellement à un point près d’un 4B hébergé.

Le second point est de savoir si Mistral publiera un jour les poids de Voxtral 3. Les modèles audio de l’entreprise de 2025 étaient ouverts sous Apache 2.0 ; la suite de 2026 ne l’est pas. Si la situation s’inverse, la comparaison équitable entre modèles ouverts que Liquid a choisi de publier redevient d’actualité, et la réserve centrale de cet article tombe.

Jusqu’à ce que l’une de ces choses se produise, la position défendable est la moins glamour. En termes d’étendue des capacités, Voxtral 3 l’emporte d’une distance qu’aucune controverse sur les benchmarks ne peut combler : cinquante langues, la diarisation, le clonage, la téléphonie. En termes de déployabilité, LFM3-Audio-2B l’emporte avec une marge tout aussi importante, car c’est le seul des deux que l’on peut avoir en main. Tout ce qui se trouve entre les deux est un chiffre tiré du tableau d’un fournisseur placé à côté d’un chiffre tiré de celui d’un autre, et la réponse honnête à « lequel est le plus précis » est que personne ne l’a mesuré.