Voxtral 3 TTS face à Qwen-Audio-3.0-TTS-Plus : deux voix à petit prix, deux cartographies différentes

Ces deux modèles sont moins chers que les modèles de pointe et se situent tous deux hors de cette catégorie, ce qui fait du choix entre Voxtral 3 T​TS et Q​wen-Audio-3.0-T​TS-Plus une question de couverture plutôt que de qualité. Sur le tableau Provider Voice d’Artificial Analysis, ils sont séparés de 47 points Elo — Q​wen à 1 264 (#7), le nouveau modèle de Mistral à 1 217 (#13) — et leurs prix sont de 19,31 $ et 13,00 $ par million de caractères. Aucun de ces écarts n’est décisif. Ce qui est décisif, c’est que le modèle d’A​libaba a été conçu autour du chinois, avec vingt régions dialectales et quatre-vingt-six balises de diction intégrées, tandis que celui de Mistral a été conçu autour des vingt-quatre langues officielles de l’Union européenne. Si votre produit parle mandarin, cantonais ou hokkien, le débat s’arrête à la liste des langues. S’il parle portugais, polonais ou néerlandais, il s’arrête là aussi, dans l’autre sens. Les défaillances documentées de l’IA et les incidents d’agents derrière des versions comme celle-ci sont recensés dans l’OrcaRouter AI Incident Archive où chaque entrée comporte ses propres sources, sa gravité, sa note de confiance et son indicateur de contestation.

Les chiffres, et le poids qu’ils ont

• Elo vocal du fournisseur — Q​wen-Audio-3.0-T​TS-Plus : 1,264. Voxtral 3 T​TS : 1,217. Les deux selon Artificial Analysis, le 21 octobre 2026.

• Elo de voix contrôlée — Qwen-Audio-3.0-TTS-Plus : 1 125 (#7). Voxtral 3 TTS : 1 066 (#14). L’écart se creuse, passant de 47 à 59 points une fois que les deux sont clonés sur les mêmes huit voix de référence, ce qui signifie que l’avantage d’Alibaba tient à son moteur de synthèse, et non à sa bibliothèque de voix.

• Prix pour 1 million de caractères — 19,31 $ pour Q​wen-Audio-3.0-T​TS-Plus, 13,00 $ pour Voxtral 3 T​TS. À raison d’environ 900 caractères par minute de parole, cela représente 1,04 $ contre 0,70 $ l’heure.

• Langues — A​libaba : 16 langues plus 20 régions de dialectes chinois. Mistral : 35+ langues et 50+ dialectes, avec des préréglages en 18 langues.

• Clonage vocal — A​libaba : clonage à partir d’un audio de référence, incluant le transfert de timbre interlangue. Mistral : adaptation « Pro Voice » à partir de 30 minutes d’audio. Ni l’un ni l’autre ne propose le clone instantané en dix secondes que vend Cartesia.

• Weights — fermés des deux côtés. Les deux sont des produits exclusivement API.

• Latence — A{{1}}libaba publie séparément une mesure de streaming au premier caractère pour ses modèles de reconnaissance et pour un modèle vocal temps réel ; Mistral ne publie aucun temps jusqu’au premier audio pour Voxtral 3 T{{2}}TS. Aucun de ces deux chiffres n’est comparable d’un fournisseur à l’autre et, pour la synthèse, ni l’un ni l’autre ne constitue une mesure indépendante.

Une réserve concernant les chiffres Elo : Voxtral 3 T​TS n’était présent dans le classement que depuis un jour lorsque ces chiffres ont été relevés, avec 1 619 comparaisons contre 2 399 pour Q​wen. Un écart de 47 points au sein d’intervalles de confiance qui se chevauchent pour cette taille d’échantillon indique une tendance, pas un verdict. Interprétez-le comme « Q​wen est probablement un peu en avance » plutôt que comme un écart mesuré de 47.

Là où le modèle d'A​libaba l'emporte, et ce n'est pas une victoire marginale

La couverture du chinois est la première et la plus grande différence, et il vaut la peine d’être précis sur ce que signifient « 20 régions dialectales ». La gamme vocale d’A​libaba est conçue pour un marché intérieur où une langue écrite unique correspond à des parlers qu’un modèle uniquement mandarin déforme : cantonais, sichuanais, wu, minnan, etc. Q​wen-Audio-3.0-T​TS-Plus prend en charge ces régions nativement, et la génération 3.1 d’A​libaba a ajouté le transfert de timbre interlingue — une même voix transposée entre mandarin, cantonais, anglais et japonais —, ce qui est la fonctionnalité qui compte si vous localisez un seul présentateur plutôt que de faire un casting par marché.

Le second est le contrôle de l’élocution au niveau des tokens. Q​wen-Audio-3.0-T​TS-Plus a hérité d’un ensemble documenté de 86 balises d’élocution en ligne de sa génération, permettant à un script de porter des marqueurs d’émotion, de rythme et d’accentuation directement dans la transcription. Le Voxtral 3 T​TS de Mistral expose un contrôle au niveau du prompt de l’émotion, du rythme et de l’accentuation, ainsi qu’une prononciation au niveau des phonèmes et une bibliothèque de vocabulaire — comparable en intention, mais le vocabulaire de balises d’A​libaba est, sur le papier, le plus granulaire des deux.

Troisièmement, A​libaba a livré une version sœur moins chère. La mise à jour 3.1 a fait de T​TS un SKU de niveau Flash, de sorte qu’une équipe qui trouve le palier 3.0-Plus trop cher dispose d’un chemin de rétrogradation documenté au sein du même fournisseur, à peu près au même tarif que Voxtral 3 T​TS. La réponse de Mistral à « moins cher, s’il vous plaît » est le même modèle ou un autre fournisseur.

Là où le modèle d’A​libaba est plus faible, c’est tout aussi clair : 16 langues, c’est une couverture bien étroite. Si votre catalogue tourne en polonais, turc, vietnamien ou portugais, Q​wen-Audio-3.0-T​TS-Plus ne vous couvre pas, et aucun score Elo, aussi élevé soit-il, ne comble cet écart.

Là où Voxtral 3 TTS l'emporte

Étendue linguistique hors d'Asie, tout simplement. Trente-cinq langues et plus, avec plus de 50 dialectes revendiqués, et une famille pensée pour les marchés publics européens : Mistral annonce les 24 langues officielles de l'UE sur l'ensemble des modèles de transcription et des points de terminaison API européens, américains et mondiaux, avec un auto-déploiement sur infrastructure privée pour les acheteurs qui doivent maîtriser le lieu de traitement de l'audio et sa conservation ou non. Pour un acheteur européen du secteur public ou de la santé, ce n'est pas un simple critère de départage, c'est une exigence.

La seconde, c’est la pile technique environnante. Voxtral 3 TTS n’est pas vendu comme un point de terminaison isolé : il est fourni avec un SDK d’agent basé sur LiveKit prenant en charge SIP, WebRTC et IVR, une latence de tour d’agent annoncée sous la seconde, et un tarif à la minute pour l’ensemble de la boucle — 0,04 $ avec le raisonnement de Mistral Small 4, 0,08 $ avec un autre modèle de raisonnement. Alibaba dispose aussi d’un modèle vocal en temps réel, mais celui de Mistral est documenté comme une offre groupée avec un chiffre publié à la minute, ce qui permet de bâtir plus facilement un business case qu’avec une grille tarifaire par token.

Le troisième point est le prix, de justesse. 13 $ contre 19,31 $, soit une remise de 33 %, et à l’échelle, c’est un chiffre qui compte : dix mille heures par mois représentent environ 7 000 $ contre 10 400 $. Ce n’est pas un événement de réévaluation tarifaire, mais ce n’est pas rien non plus.

L’argument en faveur du routage est plus solide ici que dans la plupart des confrontations.

La plupart des comparatifs entre modèles se terminent par « choisissez-en un ». Ce duo relève véritablement d’un problème de portefeuille, car les deux cartes de couverture ne se chevauchent que très peu aux extrémités et tous deux sont assez bon marché pour être exécutés côte à côte. Une plateforme de commerce électronique européenne qui narre les pages produits en huit langues de l’UE et sert aussi une clientèle cantophone a besoin des deux. Tout comme un studio de doublage travaillant sur une série avec des dialogues en mandarin et des sous-titres français.

Le plus délicat quand on fait tourner les deux n'est pas le choix du modèle, c'est la plomberie : deux fournisseurs, deux schémas d'authentification, deux relations de facturation, deux ensembles de modes de défaillance. OrcaRouter existe exactement pour cette configuration — une seule clé compatible OpenAI pour plus de 200 modèles, le prix catalogue du fournisseur répercuté avec 0 % de marge, pour qu'une évolution tarifaire d'un fournisseur soit effective le jour même, et un DSL de routage capable d'envoyer une requête étiquetée par langue au modèle qui couvre cette langue. Ni Voxtral 3 T​TS ni Q​wen-Audio-3.0-T​TS-Plus ne figurent au catalogue d'OrcaRouter à ce jour, et « une API pour plus de 200 modèles » est une affirmation sur le catalogue que nous exploitons réellement, pas sur ces deux modèles — aujourd'hui, l'un comme l'autre sont accessibles via les API propres à leurs fournisseurs et plusieurs plateformes tierces. Le principe de conception reste valable quoi qu'il en soit : si votre matrice de langues exige deux fournisseurs, mieux vaut que la séparation réside dans une règle de routage plutôt que dans deux chemins de code.

Ce qu’aucun des deux fournisseurs n’a publié

Trois lacunes, et ce sont les mêmes trois dans les deux cas, ce qui en dit long sur la jeunesse de ce segment du marché.

Aucun score par langue. Les deux chiffres Elo sont des agrégats. Un modèle peut afficher 1 264 au global, être excellent en mandarin et médiocre en français ; le classement ne peut pas vous le dire, et aucun des deux fournisseurs ne publie de répartition par langue. Pour toute décision qui repose sur la qualité dans une langue donnée, le seul test fiable est votre propre corpus, lu par un locuteur natif à qui l’on ne dit pas quel modèle a produit quel échantillon.

Aucun chiffre d'endurance pour le long format. Les extraits d'Arena durent quelques secondes. Aucun des deux modèles ne documente de longueur maximale de génération pour son point de terminaison TTS, et aucun n'a de test publié de cohérence sur dix minutes — la durée à laquelle un livre audio fonctionne ou non. La génération 3.1 de Qwen a transféré la génération de scènes longues vers la variante-Next comme modèle distinct plutôt que d'étendre le point de terminaison TTS, ce qui est un aveu implicite que le modèle de base n'est pas l'outil du long format.

Aucune mesure indépendante de latence. Mistral ne publie rien pour la synthèse TTS de Voxtral 3 ; Alibaba publie des chiffres fournisseur. Artificial Analysis rapporte un débit médian de 112 caractères par seconde pour Voxtral 3 TTS, mais pas pour Qwen-Audio-3.0-TTS-Plus sur la même page. Dans un agent vocal en direct, le délai avant le premier son détermine davantage l’expérience produit que l’Elo, et c’est le chiffre le moins documenté de la catégorie.

Le partage honnête

Choisissez Q​wen-Audio-3.0-T​TS-Plus si le produit parle chinois — mandarin avec accents régionaux, cantonais ou alternance codique entre chinois et anglais — ou si vous avez besoin de balises de rendu granulaires dans la transcription et souhaitez un fournisseur proposant un palier moins cher documenté sous le produit phare. Il coûte 48 % de plus que Voxtral et devance de manière mesurable les deux classements ; pour un travail axé en priorité sur le chinois, c’est de l’argent bien dépensé.

Choisissez Voxtral 3 T​TS si le produit parle des langues européennes, si la résidence des données dans l’UE est une exigence d’achat, ou si vous développez un agent vocal et souhaitez une synthèse fournie avec un SDK d’agent et un prix par minute publié. Vous renoncez à 47 points Elo et obtenez une carte linguistique qui couvre les marchés sur lesquels vous vendez.

Choisissez les deux — et faites le routage entre elles — si votre public couvre réellement les deux cartes. Si l’on raisonne en Elo par dollar, les deux sont suffisamment proches pour que l’égalité se tranche sur la couverture, et non sur le score, et un produit dont les clients se trouvent à Guangzhou et à Gdańsk n’a pas de réponse unique.

Ce qu’il faut surveiller, c’est de savoir si l’un ou l’autre des fournisseurs publie une ventilation par langue. Dès que l’un d’eux le fera, cette comparaison cessera d’être un débat sur les cartes pour devenir un débat sur les mesures, ce qui est un meilleur débat.