Voxtral 3 TTS vs ElevenLabs : six fois moins cher, cent points de retard

Mistral a fixé le prix de Voxtral 3 T​TS à 13 $ le million de caractères, et l'a lancé sur un marché où le modèle qui sert de référence à tout le monde, ElevenLabs Eleven v4, coûte 80 $ et obtient 1 328 points Elo contre 1 217 pour Voxtral. Cela représente 111 points de préférence en écoute à l'aveugle pour 6,2 fois le prix, et à première vue, le modèle bon marché n'est pas assez proche pour peser. Il pèse quand même, pour une raison que le tableau de scores ne montre pas : ElevenLabs ne vend pas seulement de la synthèse. Il vend une plateforme vocale — une bibliothèque, du doublage, des agents, du clonage professionnel — et la plupart des équipes qui paient 80 $ le million de caractères paient autant pour la plateforme que pour la voix. Voxtral 3 T​TS, publié le 20 octobre 2026, arrive quant à lui dans un SDK d'agents et un discours de déploiement souverain européen. La comparaison qui décide d'un achat n'est donc pas « lequel sonne le mieux », car celle-là est tranchée, mais « laquelle de ces deux offres est celle dont vous avez réellement besoin ». Les défaillances de l'IA et les incidents d'agents documentés qui se cachent derrière des sorties comme celle-ci sont rassemblés dans les archives des incidents d'IA d'OrcaRouter où chaque entrée comporte ses propres sources, un niveau de gravité, une note de confiance et un indicateur de contestation.

Le tableau des scores, avant tout le reste.

• Elo vocal du fournisseur — ElevenLabs Eleven v4 : 1 328 (#2 sur 98). Voxtral 3 T​TS : 1 217 (#13). Les deux selon Artificial Analysis, consultés le 21 octobre 2026.

• Elo de voix contrôlée — Eleven v4 : 1 157 (n° 4, à égalité avec Eleven v4 Turbo). Voxtral 3 TTS : 1 066 (n° 14).

• Prix catalogue par million de caractères — 80,00 $ contre 13,00 $.

• Langues — ElevenLabs : 74 sur toutes les offres. Voxtral 3 TTS : plus de 35 langues et plus de 50 dialectes, avec des préréglages dans 18.

• Clonage instantané — ElevenLabs : à partir d’environ 30 secondes d’audio sur les offres payantes. Voxtral 3 T​TS : aucun clone instantané publié ; l’adaptation « Pro Voice » nécessite 30 minutes d’audio.

• Poids — fermés pour les deux.

Une ligne de cette liste mérite un second regard : le propre fleuron moins cher d’ElevenLabs. Eleven v4 Turbo obtient 1 333 — cinq points de plus qu’Eleven v4, dans le bruit statistique — à 40 $ par million de caractères, soit exactement la moitié du prix. Si le choix se résume à « la meilleure voix qu’ElevenLabs vend », Turbo est l’achat judicieux, et il réduit l’écart avec Voxtral 3 TTS de 111 Elo à 116 pour seulement trois fois le prix. L’échelle de prix d’ElevenLabs est plus étendue que ne l’admettent la plupart des comparaisons de cet affrontement.

À quoi ressemblent les 111 points dans un produit

Un écart Elo de cette taille n’est pas subtil. Lors d’une écoute comparative à l’aveugle, c’est une différence que l’auditeur remarque dès la première phrase, et non à la cinquième — comparable à l’écart entre Eleven v3 et Eleven v4 au sein même de la gamme d’ElevenLabs (1,182 contre 1,328). Sonic 3.6 de Cartesia, à 1,289, se situe entre les deux et est le modèle qui contredit le plus directement l’interprétation « on en a pour son argent » ; il dépasse Voxtral de 72 et coûte 49 $, soit la moitié d’Eleven v4.

Là où l’écart se concentre, c’est dans le contrôle de la diction sur du matériel expressif. La génération v4 d’ElevenLabs est construite autour de balises audio — des instructions intégrées au texte pour l’émotion, le rythme et l’accentuation — et autour d’une bibliothèque de voix suffisamment riche pour que la plupart des équipes n’aient jamais à cloner de voix. Voxtral 3 TTS de Mistral offre un contrôle de l’émotion, du rythme et de l’accentuation au niveau du prompt, ainsi qu’une prononciation au niveau des phonèmes et une bibliothèque de vocabulaire. Les deux offrent des leviers de direction. ElevenLabs a bénéficié de deux générations de retours publics sur le comportement de ces contrôles dans les cas limites, tandis que Voxtral 3 TTS n’en est qu’à son premier jour.

Là où l’écart se resserre, c’est pour tout ce qui est dans une langue européenne autre que l’anglais. Le modèle de Mistral a été conçu en priorité pour le multilinguisme, avec plus de 50 dialectes revendiqués et les 24 langues officielles de l’UE couvertes au sein de sa famille de modèles vocaux. ElevenLabs couvre 74 langues, ce qui est plus large en nombre, mais l’étendue du nombre et la qualité par langue relèvent d’affirmations différentes, et aucun des deux fournisseurs ne publie de score Elo par langue. Si vous déployez du néerlandais, du polonais ou du portugais, aucun des deux classements ne vous donne la réponse ; il faut écouter.

Ce que 80 $ le million de caractères achète réellement

C’est la partie de la comparaison où l’écart de prix cesse de ressembler à une majoration. Le tarif par caractère d’ElevenLabs est intégré à une plateforme : une place de marché de voix partagée où vous pouvez obtenir des licences plutôt que cloner, un clonage vocal professionnel à partir d’environ 30 minutes d’audio avec un processus de consentement, du doublage, des effets sonores, une pile d’agents conversationnels, ainsi que plusieurs années de bibliothèques clientes et d’intégrations. Rien de tout cela n’apparaît sur un classement, et tout cela représente un travail qu’une équipe devrait autrement réaliser.

L'offre de Mistral pointe dans une autre direction. Voxtral 3 TTS est livré avec un SDK d'agents vocaux basé sur LiveKit, compatible téléphonie SIP, WebRTC et IVR, avec un temps de réponse d'agent annoncé sous la seconde et un prix de 0,04 $ par minute d'agent, Mistral Small 4 servant de modèle de raisonnement. L'offre s'accompagne aussi d'un argumentaire explicite en faveur du déploiement souverain : des points de terminaison UE, US et mondiaux, un auto-déploiement sur infrastructure privée, et une attention déclarée à l'endroit où l'audio est traité et à sa conservation éventuelle. Pour une entreprise européenne ou un acheteur du secteur public, c'est une réponse en matière d'approvisionnement qu'ElevenLabs ne propose pas aujourd'hui sous la même forme.

Pour le dire simplement : ElevenLabs vend l’étendue de sa gamme, Mistral vend la maîtrise du déploiement. Une équipe qui a besoin de doublage, d’effets sonores et d’un catalogue de voix sous licence ne choisit pas du tout entre ces deux-là. Une équipe qui a besoin d’une seule voix, dans une seule paire de langues, exécutée dans un centre de données qu’elle contrôle, paie pour une grande partie d’ElevenLabs qu’elle n’activera jamais.

La question migratoire, honnêtement

La formulation tentante est « passer d'ElevenLabs et économiser 84 % ». Faites le calcul avant d'y croire, car l'économie n'est réelle que pour les charges de travail qui peuvent absorber la régression de qualité et les fonctionnalités manquantes.

{{1}}Narration pure à grande échelle, une seule langue, aucune voix sous licence — l'économie est réelle.{{/1}} Mille heures par mois coûtent environ 4 320 $ sur Eleven v4, contre 700 $ sur Voxtral 3 T​TS, et l'auditeur ne fait pas de comparaisons A/B.

• Tout ce qui utilise une voix de célébrité ou de marque sous licence issue de la bibliothèque ElevenLabs — la migration n’est pas possible. Voxtral 3 TTS n’a pas de marketplace ; vous apportez 30 minutes d’audio et produisez votre propre adaptation.

Tout ce qui est destiné à l’utilisateur, lorsqu’un client téléverse un court extrait et s’attend à s’entendre — ElevenLabs clone en environ 30 secondes, tandis que Voxtral, d’après la documentation de Mistral, ne propose pas du tout de clonage instantané.

• Tout ce qui utilise déjà le doublage, les effets sonores ou la stack conversationnelle — la comparaison réelle n'est pas 80 $ contre 13 $, car partir signifie remplacer des produits qui n'ont jamais figuré sur la même ligne de facture.

Le schéma réaliste est une répartition : conserver ElevenLabs pour les parties du produit où un humain écoute attentivement et peut comparer, et déplacer le rendu en volume vers le modèle moins cher. Mettre en œuvre cette répartition proprement est un problème de routage plutôt que d’achat. OrcaRouter expose plus de 200 modèles derrière une seule clé compatible OpenAI avec le prix catalogue du fournisseur répercuté à 0 % de marge, de sorte qu’une narration avec voix maison et un clone destiné aux clients peuvent pointer vers des backends différents sans second contrat — et si un point de terminaison se dégrade en cours de rendu, le basculement automatique maintient la tâche en cours. À l’heure où nous écrivons, ni Voxtral 3 T​TS ni ElevenLabs ne figurent dans le catalogue d’OrcaRouter ; les deux sont accessibles via les API de leurs propres fournisseurs et plusieurs plateformes tierces, et c’est la conception du routage que vous établissez dès maintenant pour que le basculement se résume plus tard à un changement de configuration.

Qu'est-ce qui changerait ce verdict

Trois développements, dont aucun ne s’est encore produit.

Le premier est un chiffre de latence. Mistral n'a pas publié de temps jusqu'au premier audio pour Voxtral 3 T​TS. Les seuls chiffres de latence présents dans les documents de lancement concernent le modèle de transcription en temps réel (moins de 500 ms) et la boucle d'agent (moins d'une seconde). Artificial Analysis rapporte un débit médian de 112 caractères par seconde, plus rapide que les 56 d'Eleven v3 et plus lent que les 145 de Sonic 3.6, mais le débit n'est pas le temps de démarrage. Si Voxtral 3 T​TS s'avère capable de diffuser en streaming avec un délai avant le premier audio proche de celui de Cartesia, il devient un candidat pour les usages interactifs et le prix d'ElevenLabs paraît moins intéressant. Dans le cas contraire, la catégorie du streaming lui reste fermée et les 13 $ ne sont qu'un prix de rendu par lots.

Le second est une évaluation indépendante au niveau linguistique. Les scores du classement sont agrégés ; un modèle peut afficher 1 217 Elo au global et être bien meilleur ou bien moins bon en italien. Aucun des deux fournisseurs ne publie la ventilation, et pour un acheteur européen, c’est le chiffre qui compte le plus.

Le troisième point est l’endurance. Les extraits d’Arena sont courts. La documentation de Mistral n’indique pas de longueur maximale de génération pour le point de terminaison TTS, et la cohérence sur de longs formats — ce sur quoi repose l’héritage narratif d’ElevenLabs — n’a pas été testée pour Voxtral 3 TTS à une longueur qui importerait à un producteur de livres audio.

D’ici leur sortie, la décision est étonnamment simple. Si la voix de votre produit est jugée par un client sur un court extrait, payez ElevenLabs, et payez pour Eleven v4 Turbo à 40 $ plutôt que pour le modèle phare à 80 $. Si la voix de votre produit est générée en masse, dans une langue européenne, sur une infrastructure que vous contrôlez, et rejouée plutôt que jouée en direct, Voxtral 3 T​TS à 13 $ est un pari défendable avec un plafond de qualité connu — et ce plafond est 111 points en dessous du tenant du titre, un chiffre autour duquel vous pouvez planifier plutôt qu’une surprise que vous découvrez en revue.