Voxtral 3 vs Gemini 3.5 Transcribe : Mistral affirme qu'il gagne sur les mots — Google gagne pour le reste

Sur la seule métrique que les deux fournisseurs acceptent de publier, ces deux modèles sont à un cheveu l'un de l'autre. Voxtral Small Transcribe 3 — le transcripteur phare de Mistral issu de la famille Voxtral 3 sortie le 20 octobre 2026 — affiche un taux d'erreur sur les mots de 2,1 % sur le classement non-streaming d'Artificial Analysis. G​emini 3.5 Transcribe, que G​oogle propose comme modèle en disponibilité générale depuis le 26 août 2026, affiche 2,6 % sur le même classement. Cinq dixièmes de point représentent environ cinq erreurs supplémentaires pour mille mots. Ce n'est pas la raison d'en choisir un. Les raisons se trouvent dans tout ce qui dépasse les mots : G​emini effectue la diarisation pour huit locuteurs, accepte mille termes de vocabulaire personnalisé, nettoie les disfluences et résout les autocorrections en une seule passe, et couvre plus de 85 locales. Voxtral effectue la diarisation nettement mieux selon son propre tableau, couvre plus de 50 langues et propose un tarif à la minute inférieur à celui de G​oogle. Cette page porte sur lesquelles de ces différences atteignent réellement votre pipeline. Les taux d'erreur sur les mots n'indiquent pas comment l'API de transcription de l'un ou l'autre fournisseur échoue sous charge, et ces incidents sont répertoriés dans l'archive des incidents IA d'OrcaRouter où chaque entrée comporte ses propres sources, un niveau de gravité, une note de confiance et un indicateur de contestation.

Ce que chacun vend

Le positionnement de Mistral pour Voxtral Small Transcribe 3, c’est la précision associée à l’attribution des locuteurs. C’est le « modèle phare de transcription et de diarisation » de la famille : il gère nativement les horodatages et la diarisation, et il assure aussi la traduction, les questions-réponses vocales, le résumé et l’appel de fonctions — ce qui est une façon discrète de dire qu’il s’agit d’un modèle audio-langage qui transcrit plutôt que d’un transcripteur. À 0,004 $ par minute avec un contexte de 32k, il est positionné comme un substitut direct aux API de transcription managées.

Le cadrage de G​oogle pour G​emini 3.5 Transcribe porte sur ce qui advient de la transcription après la reconnaissance. Le mode `verbatim` par défaut conserve les mots de remplissage, les faux départs et les répétitions ; le mode `smart` les retire et applique une mise en forme structurée ; un vocabulaire personnalisé favorise votre jargon ; les horodatages au niveau des mots sont renvoyés sous forme d’annotations ; et les libellés de locuteurs se présentent sous la forme `spk_1`, `spk_2`, etc. Il s’exécute via l’API Interactions pour les fichiers et une référence SKU distincte `gemini-3.5-transcribe-live` pour le streaming, et il inclut un palier gratuit que Mistral ne propose pas.

Pour le dire simplement : Mistral vous vend une meilleure oreille, Google vous vend un meilleur éditeur.

Dimension par dimension

• Précision indépendante — Voxtral Small Transcribe 3 avec un AA-WER de 2,1 %, contre G​emini 3.5 Transcribe avec un AA-WER de 2,6 %, tous deux figurant sur le classement non-streaming d'Artificial Analysis. Le tableau FLEURS de Mistral affiche lui-même un écart plus large : 4,1 % en langue forcée pour Voxtral contre 6,1 % pour G​emini, mais seulement 4,0 % contre 4,5 % avec la langue inférée. Le classement indépendant va dans le sens de la lecture en langue inférée ; considérez donc le chiffre de 6,1 % comme la valeur isolée du tableau de Mistral plutôt que comme le chiffre phare.

• Prix — 0,004 $/min contre 0,005 $/min, deux tarifs catalogue lissés. Soit 240 $ contre 300 $ par millier d’heures audio. C’est réel, mais pas décisif en soi ; un écart de 20 % est effacé par une seule réexécution d’un lot défectueux.

• Attribution des locuteurs — Voxtral Small Transcribe 3 à 18,4 % de WER concaténé à permutation minimale sur le banc d’évaluation de Mistral, contre G​emini 3.5 Transcribe à 38,4 % dans le même tableau du fournisseur. C’est l’écart le plus important de l’article de lancement et celui qui a le plus de chances de compter. À nuancer honnêtement : les deux chiffres sont ceux de Mistral, obtenus sur le banc d’évaluation de Mistral, et G​oogle n’a publié aucun score de diarisation équivalent auquel se comparer. La documentation de G​oogle révèle toutefois un plafond strict qui n’est pas un benchmark — huit locuteurs, avec une attribution « expérimentale » à partir de trois — ce qui, pour la transcription de réunions, constitue une limite produit, et non une question de qualité.

• Couverture linguistique — Voxtral : plus de 50 langues, dont les 24 langues officielles de l'UE et un ensemble de langues asiatiques et indiennes à faibles ressources. G​emini : plus de 85 paramètres régionaux avec des indications BCP-47 et l'alternance codique intraphrastique. La liste de G​oogle est plus longue et, surtout, nominative — vous pouvez vérifier si votre paramètre régional y figure. Le « 50+ » de Mistral est un décompte sans liste.

• Limites audio — G​emini limite l’audio unaire à une heure, ou à trente minutes lorsque vous demandez la diarisation ou des horodatages par mot. Mistral ne publie absolument aucune durée audio maximale pour Voxtral Small Transcribe 3. Ce silence n’est pas une fonctionnalité. Si vous traitez des fichiers longs, G​emini est le seul des deux sur lequel vous pouvez dimensionner une file d’attente de tâches sans demander aux commerciaux.

• Contrôle du vocabulaire — G​emini accepte jusqu'à 1 000 termes personnalisés (meilleurs résultats jusqu'à environ 100) et avertit explicitement que le vocabulaire personnalisé ne peut pas être combiné avec la diarisation ni avec les horodatages de mots. Le biais contextuel de Voxtral prend en entrée des termes clés et du texte libre, et Mistral rapporte un rappel des expressions clés de 94,6 % avec prompting contre 81,4 % sans. Notez la nature de cette affirmation : c'est un rappel avec biais, et non des erreurs avec biais, et il est rapporté par le fournisseur.

• Gestion des autocorrections — le mode `smart` de G​emini résout les autocorrections et normalise les nombres et devises énoncés à l'oral. Mistral ne propose aucun mode équivalent documenté. Si vos enregistrements audio sont des entretiens ou des conversations de centre d'appels truffés de « non attends, je voulais dire », c'est la fonctionnalité qui risque le plus de faire pencher la décision.

• Diffusion en continu — Gemini propose un SKU actif à environ 0,009 $/min en tarif mixte. L'offre de streaming de Voxtral repose sur un autre modèle, Voxtral Mini Transcribe Realtime 3, à 0,008 $/min, avec une latence configurable de 80 à 2 400 ms. Aucun des deux fournisseurs ne propose de modèle de streaming qui soit son modèle phare en matière de précision ; comparer la précision du streaming aux chiffres du mode batch ci-dessus relève donc d'une erreur de catégorie.

• Maturité — G​emini 3.5 Transcribe est en GA depuis le 26 août 2026 et dispose d’un score WER indépendant sur un classement public. Voxtral Small Transcribe 3 est en préversion publique depuis le 20 octobre 2026, sans historique de disponibilité, sans date de GA et sans engagement publié garantissant le maintien de son tarif de préversion.

Le numéro de diarisation est celui à tester.

S’il y a une seule phrase dans cette comparaison qui devrait vous pousser à aller écouter vos propres fichiers audio, c’est celle-ci : Mistral revendique 18,4 % d’erreur de diarisation contre 38,4 % pour Gemini, et Google ne publie aucun contre-chiffre. C’est un écart suspectement grand pour une différence de classe de précision — 2,1 % contre 2,6 % en transcription simple ne laisse pas présager un écart de 2× sur l’attribution des locuteurs. Deux explications sont possibles, et seules vos données permettent de les départager. Soit la diarisation de Gemini est réellement plus faible, ce qui cadrerait avec son plafond documenté de huit locuteurs et sa mention « expérimental » pour trois locuteurs ou plus, soit le banc d’essai de Mistral flatte son propre modèle d’une manière qu’une nouvelle exécution neutre ne reproduirait pas.

Test pratique : prenez quarante minutes du pire audio multi-locuteurs que vous possédez — de la diaphonie, un locuteur sur une ligne téléphonique, au moins un passage où deux personnes parlent en même temps — lancez les deux, et comptez les changements de locuteur plutôt que les erreurs de mots. Cela prend un après-midi et permet de trancher une affirmation qu'aucun des deux fournisseurs ne peut trancher à votre place.

Ce que les transcriptions coûtent réellement à grande échelle

Faites le calcul pour une organisation de support qui enregistre 4 000 heures par mois. À 0,004 $/min, Voxtral Small Transcribe 3 revient à 960 $. À 0,005 $/min, Gemini 3.5 Transcribe revient à 1 200 $. L’écart mensuel de 240 $ est réel et correspond à peu près au coût d’une heure-ingénieur par jour ouvré, ce qui est la bonne façon de l’évaluer : significatif face à une alternative auto-hébergée dont l’exploitation ne vous coûte rien, sans importance si le mode `smart` de Gemini supprime une étape de post-traitement que vous auriez autrement à payer.

C’est à cette étape de post-traitement que la comparaison des prix échoue généralement. Une transcription brute avec des mots de remplissage et des autocorrections non résolues nécessite une passe de nettoyage — soit une couche regex que vous maintenez, soit un appel à un LLM par fichier. Ce n’est pas le cas d’une transcription nettoyée, ponctuée et étiquetée par locuteur issue de G​emini. Si votre pipeline dépense actuellement un appel à un modèle de langage par transcription pour corriger le formatage, incluez cet appel dans la comparaison avant de conclure que Mistral est 20 % moins cher.

Pour les équipes qui veulent les deux — la diarisation de Mistral sur les appels où les locuteurs comptent, le nettoyage de G​emini sur l’archive en masse — la contrainte porte généralement sur les clés et les fournisseurs plutôt que sur le budget. Le catalogue de modèles d’OrcaRouter n’inclut actuellement ni Voxtral 3 ni G​emini 3.5 Transcribe, donc cette association particulière implique encore deux contrats. Notre apport se situe à la couche supérieure : le modèle de raisonnement qui résume ou route ces transcriptions peut provenir d’un point de terminaison unique avec basculement automatique, de sorte que le choix du fournisseur de reconnaissance vocale ne verrouille pas non plus le choix de votre modèle en aval.

Verdict

Choisissez Voxtral Small Transcribe 3 si votre problème concerne les locuteurs et que vos langues sont européennes — l’argument de la diarisation, les 24 langues de l’UE et le tarif inférieur de 20 % vont tous dans le même sens, et un WER de 2,1 % sur un classement indépendant signifie que vous ne sacrifiez pas la précision pour cela. Choisissez G​emini 3.5 Transcribe si votre problème est la transcription elle-même : les autocorrections, le formatage, une longue liste de paramètres régionaux nommés et une limite de durée audio publiée sur laquelle vous pouvez planifier vos capacités. La seule chose que je ne ferais pas, c’est choisir en fonction de l’écart de 0,5 point de WER. Il est plus petit que la variabilité d’une exécution à l’autre sur n’importe quel classement, et les deux fournisseurs publient le chiffre qui les arrange à partir de la même famille d’évaluations.

La question ouverte est de savoir ce qui se passera lorsque Voxtral Small Transcribe 3 quittera la préversion. Si Mistral maintient le tarif à 0,004 $ et qu’une nouvelle exécution indépendante de la diarisation confirme l’écart de 18 points, cela cesse d’être un choix serré pour quiconque fait de l’analyse de réunions ou d’appels. Si le tarif évolue lors de la disponibilité générale, l’argument se réduit de nouveau à la seule couverture linguistique et à la seule attribution des locuteurs.