Voxtral 3 TTS vs Voxtral 4B TTS : le nouveau modèle que vous ne pouvez pas télécharger

Le fait embarrassant à propos de Voxtral 3 T​TS est qu'il est meilleur que Voxtral 4B T​TS dans presque tous les aspects mesurables, et moins bon dans le seul aspect qui décide de certains déploiements : vous ne pouvez pas l'obtenir. Mistral a publié Voxtral 4B T​TS le 23 mars 2026 sous forme de poids ouverts — mistralai/Voxtral-4B-T​TS-2603 sur Hugging Face, CC BY-NC 4.0, téléchargeable et exécutable sur vos propres accélérateurs. Voxtral 3 T​TS est arrivé le 20 octobre 2026 en tant que produit API uniquement. La page de lancement décrit des points de terminaison UE, États-Unis et mondiaux, des playgrounds Studio et un auto-déploiement sur une infrastructure privée, et ne dit jamais une seule fois que les poids sont disponibles. Ainsi, le successeur, sept mois plus tard, est meilleur de 127 points Elo sur le classement à l'écoute en aveugle (1 217 contre 1 090), 19 % moins cher à 13 $ contre 16 $ par million de caractères, et environ 42 % plus rapide à 112 contre 79 caractères par seconde — et il ne s'agit toujours pas d'un remplacement direct du modèle qu'il remplace, car l'ancien est le seul membre de cette famille qu'une entreprise peut réellement posséder. Les défaillances documentées de l'IA et les incidents d'agents à l'origine de sorties comme celle-ci sont recensés dans l'OrcaRouter AI Incident Archive où chaque entrée comporte ses propres sources, son niveau de gravité, sa note de confiance et son indicateur de contestation.

Deux modèles, sept mois, une limite de licence

Cette frontière mérite d'être énoncée avec précision avant tout benchmark, car elle réordonne l'ensemble de la comparaison.

• Voxtral 4B T​TS — poids ouverts sous CC BY-NC 4.0. Non commercial. Vous pouvez le télécharger, l’inspecter, l’exécuter et l’affiner ; vous ne pouvez pas l’intégrer à un produit payant. La restriction est héritée des jeux de données de voix de référence qui le sous-tendent, et non d’une quelconque limitation technique du checkpoint. L’auto-hébergement pour une évaluation interne est acceptable ; l’auto-hébergement dans un service commercial destiné aux clients ne l’est pas.

• Voxtral 3 T​TS — fermé. Aucun poids publié au 21 octobre 2026. « Auto-déploiement sur une infrastructure privée ou un cloud privé » sur la page de Mistral est une offre de déploiement entreprise négociée avec le fournisseur, et non un lien de téléchargement ; confondre les deux est l’erreur la plus facile à commettre lorsqu’on lit cette page rapidement.

La conséquence pratique : si votre raison de vouloir Voxtral 4B T​TS était que l’audio ne quitte jamais votre réseau, Voxtral 3 T​TS ne le remplace pas, sauf si vous signez quelque chose avec Mistral. Si votre raison était qu’il coûtait moins cher qu’une API hébergée, Voxtral 3 T​TS le remplace sur le prix et le surpasse en qualité, et la question de la licence disparaît parce que vous achetez un service plutôt qu’un fichier. Ce même écart de sept mois se résout différemment selon laquelle de ces deux phrases décrit votre situation.

Le tableau d'affichage

• Elo vocal du fournisseur — Voxtral 3 T​TS : 1 217 (n° 13 sur 98), intervalle à 95 % 1 202–1 232. Voxtral 4B T​TS : 1 090 (n° 46), intervalle 1 078–1 102. Les deux selon Artificial Analysis, relevé du 21 octobre 2026.

Tarif par million de caractères — 13,00 $ contre 16,00 $. À raison d’environ 900 caractères par minute de parole, 0,70 $ contre 0,86 $ de l’heure.

• Débit — 112 caractères par seconde en médiane, contre 79, mesuré par Artificial Analysis sur l’hôte natif de chaque modèle.

• Langues — Voxtral 3 T​TS : plus de 35 langues et plus de 50 dialectes, avec des préréglages en 18. Voxtral 4B T​TS : 9 langues — anglais, français, allemand, espagnol, néerlandais, portugais, italien, hindi, arabe, avec prise en charge des dialectes.

• Adaptation vocale — Voxtral 3 TTS : « Pro Voice », 30 minutes d’audio. Voxtral 4B TTS : un prompt de référence de 5 à 25 secondes, décrit dans la fiche du modèle comme pouvant être aussi court que 3 secondes.

• Poids — fermés ou ouverts (CC BY-NC 4.0).

Le volet linguistique est le plus grand changement dont personne n’a parlé. Voxtral 4B T​TS couvre neuf langues ; le nouveau modèle revendique plus de 35 langues et plus de 50 dialectes. C’est un quadruplement du produit, et c’est un argument plus fort en faveur de la mise à niveau que l’Elo — 127 points vous font passer du milieu du classement au milieu du classement, mais passer de neuf langues à trente-cinq change les marchés sur lesquels vous pouvez vendre.

La branche d’adaptation vocale va dans le sens inverse et constitue la seule véritable régression. Voxtral 4B TTS clone à partir d’un court extrait de référence — aussi peu que trois secondes selon la fiche du modèle, l’architecture décrivant une fenêtre d’invite de 5 à 25 secondes. Le Pro Voice de Voxtral 3 TTS veut trente minutes d’audio pour reproduire le caractère, la gamme émotionnelle et le style d’un locuteur dans toutes les langues. Trente minutes, c’est une séance de studio. Trois secondes, c’est une fonctionnalité. Si votre produit permet à un utilisateur d’entendre sa propre voix, le modèle plus récent est moins performant à cette tâche.

Ce qu’est réellement le 4B, sous le capot

Le nombre de paramètres dans le nom de l’ancien modèle décrit une architecture réelle, et il explique à la fois ses atouts et pourquoi le successeur n’est pas simplement une version plus grande de celui-ci.

Voxtral 4B TTS compte environ quatre milliards de paramètres en trois parties : un socle décodeur transformer de 3,4 B construit sur Ministral 3B, un transformateur acoustique à flow matching de 390 M et un codec audio neuronal de 300 M. Il est autorégressif sur un codec VQ sémantique doté d’un vocabulaire de 8 192 jetons, alimentant une tête de flow matching qui prédit des caractéristiques acoustiques FSQ sur 36 dimensions à 21 niveaux, fonctionnant à 12,5 Hz. En termes simples : un petit modèle de langage lit le texte et planifie, un réseau de flow matching transforme ce plan en caractéristiques audio, et un codec transforme les caractéristiques en échantillons. Il génère nativement jusqu’à deux minutes, les sorties plus longues étant gérées par entrelacement dans l’API.

Le chiffre publié par Mistral pour le modèle de mars était de 70 millisecondes de latence du modèle pour un échantillon vocal de 10 secondes et 500 caractères, avec un facteur temps réel d’environ 9,7x. Ces chiffres ont été mesurés sur la pile de service de Mistral, et non de manière indépendante, et ils décrivent un modèle qui était réellement rapide pour sa génération. Le débit du modèle d’octobre sur Artificial Analysis, 112 caractères par seconde contre 79, suggère que le successeur est encore plus rapide — mais Mistral ne publie aucun temps jusqu’au premier audio pour Voxtral 3 T​TS, ce qui est une omission étrange pour une entreprise dont le modèle T​TS précédent mettait en avant un chiffre de latence.

Deux générations d’architecture sont également visibles dans le nombre de langues. Neuf langues en mars, plus de trente-cinq en octobre, les modèles de transcription de la famille revendiquant les 24 langues officielles de l’UE. Ce qui a changé entre les deux points de contrôle a modifié les données d’entraînement et la couverture du tokeniseur bien plus que la pile acoustique.

Qui devrait garder le 4B, et qui devrait déménager ?

Conservez Voxtral 4B TTS si l’une de ces conditions est vraie. Vous avez besoin que l’audio soit traité sur du matériel que vous contrôlez et vous ne pouvez pas négocier un déploiement privé. Vous faites de la recherche ou de l’évaluation, où CC BY-NC 4.0 permet l’utilisation et la licence ne coûte rien. Vous avez besoin de clonage vocal à partir d’une référence courte — trois secondes contre trente minutes, il n’y a pas photo. Vous travaillez dans l’une des neuf langues qu’il prend en charge et la qualité est suffisante, auquel cas un checkpoint gratuit que vous exécutez déjà a plus de valeur qu’un modèle supérieur que vous devez appeler.

Passez à Voxtral 3 T​TS si l’une de ces conditions est remplie. Vous vendez le résultat et n’étiez donc de toute façon jamais autorisé à auto-héberger le 4B à des fins commerciales — auquel cas vous utilisiez déjà l’API à 0,016 $ par millier de caractères, et le nouveau tarif de 13 $ par million est 19 % moins cher pour un modèle meilleur de 127 points Elo, ce qui est la mise à niveau la plus facile de cet article. Vous avez besoin d’une langue en dehors des neuf d’origine. Vous avez besoin de la pile d’agents : Voxtral 3 T​TS est livré avec un SDK d’agent vocal basé sur LiveKit, la prise en charge de SIP et WebRTC, des tours d’agent en moins d’une seconde et un tarif groupé de 0,04 $ par minute avec le raisonnement de Mistral Small 4, dont aucun n’existait autour du modèle de mars.

Il existe un troisième groupe qui devrait utiliser les deux, et il est plus grand qu’il n’y paraît : les équipes qui prototypent sur le checkpoint ouvert et servent via l’API. Voxtral 4B TTS vous fournit un modèle local pour tester les prompts, les voix et les modes de défaillance sans coût par appel et sans que les données quittent l’entreprise ; Voxtral 3 TTS vous fournit le point de terminaison de production avec la couverture linguistique et la licence pour commercialiser. Les deux partagent une même lignée, mais pas une surface d’API ; prévoyez donc que les prompts devront être réajustés — un écart de qualité de 127 points correspond à un modèle différent, pas à une montée de version, et les contrôles de direction qui se comportaient d’une certaine manière sur le 4B ne se transposeront pas forcément.

Si le chemin de production doit résister à une panne de fournisseur, c’est l’argument pour placer l’appel de synthèse derrière un routeur plutôt que d’appeler Mistral directement. OrcaRouter fournit un point de terminaison unique compatible OpenAI sur plus de 200 modèles, avec le prix catalogue du fournisseur répercuté à 0 % de marge, de sorte que en cas de panne d’un backend de synthèse, le système bascule au lieu de rester muet — et un pipeline vocal qui génère des lots pendant la nuit est exactement la charge de travail où un point de terminaison mort coûte une nuit plutôt qu’une requête. Les modèles de Mistral sont accessibles via l’API propre à Mistral et plusieurs plateformes tierces ; vérifiez le catalogue pour connaître la disponibilité actuelle avant de concevoir votre solution autour d’un ID de modèle spécifique.

La question à laquelle Mistral n’a pas répondu

Voxtral 3 TTS aura-t-il des poids ouverts ? Le modèle de mars en a eu, sous licence non commerciale, et il est devenu le point de référence de ce à quoi ressemble un checkpoint TTS ouvert provenant d’un laboratoire européen. Rien dans le lancement d’octobre ne répète cela. La page est explicite sur l’accès API et le déploiement privé, et muette sur les téléchargements, ce qui correspond au même schéma que Mistral a utilisé pour plusieurs de ses modèles textuels avant de publier les poids plusieurs mois plus tard.

Si les poids finissent par être publiés, la comparaison change du tout au tout : les conditions de licence décideront si le modèle ouvert est exploitable commercialement, et le précédent — CC BY-NC 4.0 — laisse penser que ce ne sera pas le cas. Cela laisserait la situation à peu près telle qu’elle est aujourd’hui, le modèle téléchargeable étant un artefact de recherche et celui qui est utilisable étant un service.

L’autre question sans réponse est de savoir si le 4B conservera sa fiche API. Le tableau tarifaire des modèles vocaux de Mistral liste la nouvelle famille et ne mentionne pas le modèle de mars, tandis qu’Artificial Analysis le suit encore à 16 $ avec un hôte actif. Historiquement, Mistral a maintenu les anciens modèles vocaux appelables sur une longue traîne ; si cela se vérifie, les équipes disposent d’une solution de repli réellement utile — un modèle légèrement moins bon et un peu plus cher, mais néanmoins un déploiement différent. Si ce n’est pas le cas, toute personne ayant développé sur voxtral-mini-tts-latest en mars doit vérifier vers quel modèle cet alias pointe désormais avant sa prochaine facture.

Version courte : Voxtral 3 TTS est le meilleur modèle et le moins bon actif. Achetez-le pour les langues, la qualité et la stack d'agents ; gardez Voxtral 4B TTS pour le travail en local, le clonage à partir de références courtes et les neuf langues qu'il maîtrise déjà bien. La seule migration indiscutablement correcte est celle de l'API hébergée du 4B vers la nouvelle — même fournisseur, même posture de licence, moins cher et meilleur — et c'est le seul déplacement de cette comparaison qui ne coûte rien.