Voxtral 3 de Mistral décroche un modèle Transcribe n°3 et une voix à 13 $

Le chiffre à mettre en avant est de 2,1 %. C’est le taux d’erreur sur les mots qu’Artificial Analysis a mesuré pour Voxtral Small Transcribe 3, ce qui place le nouveau moteur de reconnaissance vocale de Mistral à la troisième place du classement indépendant de reconnaissance vocale au 21 octobre 2026 — derrière seulement Fun-Realtime-ASR-preview d’Alibaba à 1,7 % et MAI-Transcribe-2 de Microsoft à 2,0 %, et devant Scribe v2 d’ElevenLabs à 2,2 %. La même version du 20 octobre comprenait également Voxtral 3 T​TS, un modèle de synthèse au prix de 13 $ par million de caractères, qui se classe treizième sur l’arène Provider Voice et quatorzième sur l’arène Controlled Voice. L’un de ces résultats constitue une véritable progression dans le classement. L’autre est une entrée compétente en milieu de tableau, avec un positionnement tarifaire agressif, et l’écart entre la manière dont les deux ont été annoncés et leurs scores réels est l’élément le plus utile de ce lancement. Les défaillances documentées de l’IA et les incidents d’agents associés à des versions comme celle-ci sont recensés dans l’OrcaRouter AI Incident Archive où chaque entrée porte ses propres sources, un niveau de gravité, une note de confiance et un indicateur de contestation.

Tout ce qui suit distingue trois types d’affirmations : les chiffres des classements d’écoute à l’aveugle et de transcription d’Artificial Analysis (indépendants), les chiffres de la page de lancement de Mistral elle-même (déclarés par le fournisseur), et les calculs effectués ici à partir des prix publiés. Ils ne sont pas interchangeables, et la page de lancement les présente d’une manière qui incite à les confondre.

Le résultat de la transcription est celui qui fait réellement grimper Mistral au classement.

Voxtral Small Transcribe 3 est le fleuron de la famille de quatre modèles, et c’est le seul élément de cette publication à disposer d’un score indépendant qui devance d’emblée les acteurs en place. Avec un WER de 2,1 %, il se situe à 0,1 point derrière MAI-Transcribe-2 de Microsoft et à 0,1 point devant Scribe v2 — des écarts bien dans le bruit d’un seul ensemble d’évaluation, mais suffisants pour placer Mistral dans la conversation au sommet du classement plutôt que dans le peloton des poursuivants.

Le chiffre de vitesse est le plus surprenant des deux. Artificial Analysis mesure un facteur de vitesse médian de 66,6 pour Voxtral Small Transcribe 3, contre 20,3 pour Fun-Realtime-ASR-preview, classé en tête, et 308,8 pour MAI-Transcribe-2. En clair, le modèle de Mistral transcrit environ 67 minutes d’audio par minute de calcul — quatre fois plus lent que celui de Microsoft, trois fois plus rapide que celui d’A​libaba. Un profil bon marché, précis et modérément lent convient parfaitement à la transcription par lots ; il convient mal à tout usage interactif, ce qui explique que Mistral vende un modèle temps réel distinct.

La famille, telle qu'expédiée le 20 octobre :

• Voxtral Small Transcribe 3 — plus de 50 langues, diarisation, biais contextuel, 0,004 $ par minute (4,00 $ par 1 000 minutes). Le choix de la précision.

• Voxtral Mini Transcribe 3 — 4 B de paramètres, plus de 50 langues, 0,0035 $ par minute. Obtient 2,2 % de WER sur le même classement — statistiquement au niveau du modèle Small pour 12,5 % moins cher, ce qui rend difficile de justifier le surcoût du niveau Small sur la seule base de l’exactitude.

• Voxtral Mini Transcribe Realtime 3 — streaming, latence annoncée inférieure à 500 ms, 0,008 $ par minute. La page de Mistral elle-même indique à la fois « 35+ langues » et « 40+ langues » pour ce modèle, à deux endroits différents ; personne à l'extérieur n'a vérifié laquelle est exacte.

• Voxtral 3 TTS — synthèse par lots et en temps réel à 13 $ le million de caractères, plus de 35 langues et plus de 50 dialectes. Le modèle que la grille tarifaire de Mistral appelle « Voxtral Speech 3 » et que sa documentation désigne sous l'identifiant voxtral-mini-tts-3-0.

Dans l’évaluation FLEURS 45 propre à Mistral, Voxtral Small Transcribe 3 rapporte un WER de 4,1 % avec la langue forcée et de 4,0 % avec la langue déduite. Il s’agit d’un benchmark différent de celui utilisé par Artificial Analysis, ce qui explique pourquoi la page du fournisseur affiche 4 % et le classement indépendant 2,1 %. Aucun des deux chiffres n’est faux ; les citer dans la même phrase sans préciser lequel correspond à quoi est exactement ce qui fait déraper la couverture médiatique du lancement. Mistral revendique également la plus faible erreur de diarisation de son ensemble de comparaison, à 18,4 % de cpWER et 94,6 % de rappel des expressions clés avec context biasing, contre 81,4 % sans — des chiffres rapportés par le fournisseur et non reproduits.

Le modèle vocal est dans la moyenne, et c’est le prix qui se charge de l’argumentaire.

La publication de Mistral sur les réseaux sociaux présente le lancement de TTS comme une entrée dans le top 12 des deux arènes de synthèse vocale. Les classements en direct du 21 octobre racontent une histoire un peu plus nuancée : Voxtral 3 TTS se classe 13e sur Provider Voice avec 1 217 points Elo (intervalle à 95 % de 1 202 à 1 232, une plage à égalité couvrant les rangs 11 à 17) et 14e sur Controlled Voice avec 1 066 points Elo (une plage à égalité couvrant les rangs 10 à 19). Autrement dit, il figure dans le top 15 sur les deux — et les intervalles de confiance chevauchent ceux de cinq autres modèles, de sorte que le rang exact n’est pas un fait stable. C’est le deuxième jour du modèle dans le classement et son nombre d’échantillons, 1 619 comparaisons, est bien inférieur aux plus de 3 000 accumulées par les leaders.

Ce qui est stable, c'est le voisinage. À 1 217 Elo, Voxtral 3 T​TS est au même niveau que Realtime T​TS-2 Flash et StepAudio 2.5 T​TS, devant ElevenLabs Eleven v3 à 1 182, et derrière Cartesia Sonic 3.6 à 1 289, Q​wen-Audio-3.1-T​TS-Plus à 1 299 et ElevenLabs Eleven v4 à 1 328.

Deux choses concernant ce classement méritent d’être dites clairement. Premièrement, Voxtral 3 TTS constitue une nette amélioration d’une génération à l’autre pour Mistral : le Voxtral TTS de mars 2026 a obtenu 1 090 sur le même classement, soit un bond de 127 points. Deuxièmement, ce bond n’a pas comblé l’écart avec la frontière. Le modèle précédent de Mistral était loin derrière ; le nouveau se situe au milieu du peloton.

Ce que 13 $ le million de caractères permet réellement d’acheter

Le prix est ce qui rend cette sortie intéressante, et ce qui vous induira en erreur si vous lisez le communiqué de presse au pied de la lettre. À 13 $ par million de caractères, Voxtral 3 T​TS coûte environ 0,70 $ par heure de parole générée, en supposant environ 900 caractères par minute parlée. Cartesia Sonic 3.6 coûte 2,65 $ de l’heure à 49 $, ElevenLabs Eleven v4 coûte 4,32 $ à 80 $, et Q​wen-Audio-3.0-T​TS-Plus coûte 1,04 $ à 19,31 $. Face à l’offre premium, l’économie est réelle et importante.

Face au segment économique, ce n'est pas un KO. Simba 3.2 se classe 10e avec 1 245 Elo — 28 points au-dessus de Voxtral 3 T​TS — à 6,6 $ par million de caractères, soit la moitié du prix. Realtime T​TS-2 Flash obtient le même score de 1 217 Elo à 10,4 $. Gemini 3.8 Flash-Lite T​TS obtient 1 250 à 11 $. Selon un ratio brut Elo par dollar, qui traite l'Elo comme linéaire alors qu'il ne l'est pas et doit être lu comme un classement approximatif plutôt qu'une mesure, Voxtral 3 T​TS se situe à environ 94 points par dollar, contre 189 pour Simba 3.2 et 118 pour Realtime T​TS-2 Flash.

Le résumé honnête, c’est que Mistral a fixé le prix du modèle pour qu’il soit défendable plutôt que disruptif. Il est moins cher que tous les modèles qui le dépassent de plus de 50 Elo, et il perd en rapport qualité-prix face à au moins trois modèles qui le surpassent en qualité. C’est un lancement normal, pas un événement de réévaluation tarifaire.

Là où le routage compte ici, c'est pour garder cette comparaison en direct plutôt que dans un tableur. OrcaRouter opère une API pour plus de 200 modèles et répercute le prix catalogue des fournisseurs à 0 % de marge, de sorte que lorsqu'un fournisseur comme Mistral modifie un tarif, le chiffre que voit votre code évolue avec lui, et changer le point de terminaison de synthèse derrière un pipeline vocal relève d'une modification de configuration plutôt que d'un second contrat. Savoir si Voxtral 3 TTS a sa place dans ce pipeline est une question distincte de celle de savoir s'il est le meilleur modèle du tableau — et, aujourd'hui, au tableau, il ne l'est pas.

La partie de la version qui n’est pas un modèle

La chose la plus lourde de conséquences que Mistral a livrée le 20 octobre n’est peut-être aucun des deux modèles notés. La famille est accompagnée d’un SDK d’agent vocal construit sur LiveKit, prenant en charge la téléphonie SIP, WebRTC, l’IVR et les intégrations de centres de contact, avec un tour d’agent complet annoncé sous une seconde et la gestion de l’interruption par l’utilisateur. Mistral facture toute la boucle de l’agent — entrée vocale, raisonnement, sortie vocale — à 0,04 $ par minute lorsque le modèle de raisonnement est Mistral Small 4, ou à 0,08 $ par minute avec un autre modèle de raisonnement.

Ce forfait à la minute s’exprime dans une unité différente de celle d’un tarif TTS par caractère, et comparer directement les deux est une erreur courante. Un agent vocal qui parle pendant 30 secondes d’un appel d’une minute consomme environ 4 500 caractères de synthèse, ce qui, à 13 $ par million, représente moins de 0,06 $ — le forfait à 0,04 $ est donc compétitif par rapport à l’assemblage des éléments vous-même, à condition de vouloir de toute façon le modèle de raisonnement de Mistral. C’est aussi dans ce forfait que l’argument du basculement prouve son utilité en production : un agent vocal dont le point de terminaison de synthèse est en panne est une ligne téléphonique muette, et la branche de raisonnement de ce pipeline est exactement le genre de chose pour laquelle un routeur avec basculement automatique est conçu.

Ce que Mistral n’a pas livré, ce sont des poids ouverts. La page de Voxtral 3 décrit l’accès API, les playgrounds Studio et le déploiement autonome sur une infrastructure privée, mais n’indique jamais que les poids sont téléchargeables. Le Voxtral TTS de mars est sorti sur Hugging Face sous licence CC BY-NC 4.0 ; rien dans cette version ne le répète. Si l’auto-hébergement est une exigence, cette génération n’y répond pas actuellement.

Trois choses que personne n'a encore mesurées

L’absence de chiffre de latence publié pour Voxtral 3 T​TS constitue la lacune la plus flagrante de la documentation de lancement. Mistral indique moins de 500 ms pour la transcription en temps réel et moins d’une seconde pour un tour d’agent complet, mais ne donne aucun délai avant le premier audio pour la synthèse, or c’est ce chiffre qui détermine si un agent vocal paraît conversationnel. Artificial Analysis rapporte un temps de génération médian de 7,2 secondes et un débit médian de 112 caractères par seconde, deux mesures qui décrivent un rendu par lots plutôt qu’un comportement en streaming. Une médiane de 112 caractères par seconde est respectable — plus rapide que les 56 d’ElevenLabs Eleven v3 et plus lente que les 145 de Sonic 3.6 — mais elle ne dit rien des 200 premières millisecondes.

Le clonage vocal constitue la deuxième lacune. L’adaptation « Pro Voice » de Mistral reproduit le caractère et l’étendue émotionnelle d’un locuteur à partir de 30 minutes d’audio. Il s’agit d’un processus de qualité studio, et non du clone instantané en dix secondes vanté par Cartesia ou du clone en trente secondes proposé par ElevenLabs, ce qui positionne Voxtral 3 T​TS pour les voix de marque plutôt que pour la création de personnages par les utilisateurs.

Le troisième est l’endurance. Les propres documents de Mistral n’indiquent pas de longueur maximale de génération pour le point de terminaison TTS, et les échantillons de l’arène sont de courts extraits. La narration longue est le domaine où un modèle Elo de milieu de tableau peut encore être la bonne réponse s’il maintient sa cohérence sur dix minutes, et personne n’a publié ce test.

L’interprétation juste du 20 octobre est que Mistral a livré un véritable concurrent en transcription et un modèle TTS assez bon pour figurer sur la liste restreinte, et assez bon marché pour être essayé. C’est sur le tableau de la transcription que l’entreprise a gagné un gros titre. C’est sur celui de la synthèse qu’elle en a acheté un.