# Voxtral de Mistral : transcrire et faire parler une voix

> Voxtral, les modèles audio de Mistral : dictée dans Vibe, transcription et synthèse vocale par l'API, prix, voix françaises et versions locales.

- Niveau : Amateur
- Thème : Son
- Durée : 13 minutes
- Systèmes : Navigateur, iPhone, Android, Linux
- Disponible en France : Le français est pris en charge en transcription comme en synthèse vocale, avec des voix françaises prêtes à l'emploi. L'API est hébergée dans l'Union européenne par défaut ; les modèles Voxtral 3 y sont en préversion publique. (https://docs.mistral.ai/studio/audio/specs-and-limits/languages, lue le 17 novembre 2026)
- Publié le 17 novembre 2026, relu le 17 novembre 2026
- Auteur : Ulrich Rozier
- Page : https://quelleia.com/guides/mistral-voxtral/

Voxtral est le nom des modèles audio de Mistral AI. Les premiers, sortis le 15 juillet 2025, comprenaient la parole ; la famille s'est étendue en 2026 à la transcription en direct, puis à la synthèse vocale. La dernière génération, Voxtral 3, présentée en octobre 2026, réunit une transcription en plus de 50 langues, une voix de synthèse expressive et un kit pour bâtir des agents vocaux.

## Comment ça marche

![Les trois briques de la voix chez Mistral, seules ou bout à bout dans un agent vocal. D'après l'annonce de Voxtral 3 et la documentation audio de Mistral, lues le 17 novembre 2026.](https://quelleia.com/guides/mistral-voxtral/ecouter-reflechir-parler.svg)

*Les trois briques de la voix chez Mistral, seules ou bout à bout dans un agent vocal. D'après l'annonce de Voxtral 3 et la documentation audio de Mistral, lues le 17 novembre 2026.*

- **La transcription** (« speech-to-text ») change un enregistrement ou un flux de parole en texte. Voxtral Transcribe sait aussi dire qui parle (on parle de diarisation), donner l'horodatage des mots et tenir compte d'une liste de termes, pour bien écrire les noms propres ou le jargon d'un métier.
- **La synthèse vocale** (« text-to-speech ») lit un texte à voix haute. Voxtral TTS propose des voix toutes prêtes et sait imiter une voix à partir d'un court extrait.
- **L'agent vocal** met les deux bout à bout, avec un modèle de langage au milieu qui comprend la demande et peut appeler des outils. Mistral fournit pour cela un kit de développement, le Voice Agents SDK.

![Bandeau sombre du billet de Mistral : « Voxtral 3 » en grandes lettres blanches avec un micro en pixels, et un bouton « Take the call ».](https://quelleia.com/guides/mistral-voxtral/annonce-voxtral-3.webp)

*L'en-tête du billet de Mistral qui présente Voxtral 3 (capture du 17 novembre 2026, mistral.ai/news/voxtral-3). Image : Mistral AI.*

## Sans code : la dictée dans Vibe

Le mode vocal de Vibe (ex-Le Chat) repose sur Voxtral, indique la foire aux questions de Mistral.

1. Dans Vibe, sur le web ou dans l'appli pour iPhone et Android, cliquez sur l'icône du micro en bas à droite de la zone de saisie.
2. Autorisez l'accès au micro.
3. Parlez normalement. Avec le réglage **Autosend**, la demande part dès la fin de la dictée. Sans lui, le texte s'affiche pour que vous le corrigiez avant d'envoyer.

Le français fait partie des treize langues de ce mode. Pour faire résumer un enregistrement, joignez simplement le fichier audio à une conversation. Le guide [Vibe pas à pas](https://quelleia.com/guides/mistral-le-chat/) présente l'assistant.

## Par l'API : transcrire un fichier

Il vous faut une clé d'API, créée dans Studio (console.mistral.ai, rubrique **API Keys**), rangée dans la variable `MISTRAL_API_KEY`. Le guide [L'API de Mistral et Studio](https://quelleia.com/guides/mistral-api-et-studio/) détaille cette étape.

```bash
export MISTRAL_API_KEY="votre-clé"

curl https://api.mistral.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $MISTRAL_API_KEY" \
  -F model=voxtral-mini-transcribe-3 \
  -F language=fr \
  -F file=@reunion.mp3
```

Le texte arrive dans le champ `text` de la réponse. Le paramètre `language` est facultatif : sans lui, le modèle détecte la langue. Il attend un code à deux lettres, `fr` pour le français. En Python, avec le kit `mistralai` :

```python
import os
from mistralai.client import Mistral

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])
with open("reunion.mp3", "rb") as audio:
    transcription = client.audio.transcriptions.complete(
        model="voxtral-mini-transcribe-3",
        file={"file_name": "reunion.mp3", "content": audio},
    )
print(transcription.text)
```

Trois modèles de transcription Voxtral 3 sont en préversion publique, aux prix affichés par la documentation :

| Modèle | Usage | Prix |
| --- | --- | --- |
| Voxtral Mini Transcribe 3 | fichiers, rapide (4 milliards de paramètres) | 0,0035 $ la minute |
| Voxtral Small Transcribe 3 | fichiers, le plus précis de Mistral | 0,004 $ la minute |
| Voxtral Mini Transcribe Realtime 3 | en direct, pour les agents vocaux | 0,008 $ la minute |

Mistral annonce que Voxtral Small Transcribe 3 dépasse Whisper large-v3, Scribe v2 et Gemini 3.5 Transcribe. Les mesures indépendantes, en français, figurent plus bas dans ce guide.

## Par l'API : faire parler un texte

La synthèse vocale renvoie l'audio encodé en base64. Cet exemple de la documentation, adapté avec une voix française, le décode en fichier WAV (il faut l'outil `jq`) :

```bash
curl -s https://api.mistral.ai/v1/audio/speech \
  -H "Authorization: Bearer $MISTRAL_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "voxtral-mini-tts-3-0",
    "input": "Bonjour, vous écoutez une voix de synthèse de Mistral.",
    "voice_id": "fr_marie_neutral",
    "response_format": "wav"
  }' | jq -r '.audio_data' | base64 --decode > bonjour.wav
```

La voix française « Marie » existe en six tons : `fr_marie_neutral`, `fr_marie_happy`, `fr_marie_sad`, `fr_marie_angry`, `fr_marie_curious` et `fr_marie_excited`. Voxtral TTS 3 coûte 13 $ par million de caractères. La documentation lui prête plus de 35 langues et 50 dialectes, 34 balises d'émotion et deux balises de débit, et environ 90 millisecondes avant le premier son en lecture continue. Pour imiter une voix, un extrait de quelques secondes à quelques minutes, en MP3 ou WAV, suffit.

> **Bon à savoir.** Imiter la voix d'une personne sans son accord pose des problèmes de droit et de confiance. Réservez le clonage à votre propre voix, ou à celle d'une personne qui vous a donné son autorisation.

## En local : les versions à poids ouverts

Les modèles Voxtral 3 ne sont servis que par l'API de Mistral, qui parle aussi de déploiement sur l'infrastructure de ses clients. Les générations précédentes, elles, ont des poids publiés sur Hugging Face :

- **Voxtral Mini 3B** (juillet 2025, Apache 2.0) : transcription jusqu'à 30 minutes d'audio et compréhension jusqu'à 40 minutes, dont le français. Sa carte indique environ 9,5 Go de mémoire graphique.
- **Voxtral Small 24B** (juillet 2025, Apache 2.0) : la grande version, qui répond aussi à des questions sur un enregistrement.
- **Voxtral Mini 4B Realtime** (février 2026, Apache 2.0) : transcription en direct dans 13 langues, sur une carte graphique d'au moins 16 Go selon sa carte.
- **Voxtral 4B TTS** (mars 2026) : synthèse vocale, sous licence CC BY-NC 4.0, qui interdit l'usage commercial.

Ollama ne propose aucun de ces modèles le 17 novembre 2026. Mistral recommande vLLM, qui demande en pratique une carte graphique NVIDIA sous Linux. Par exemple, pour Voxtral Mini 3B :

```bash
pip install -U vllm
vllm serve mistralai/Voxtral-Mini-3B-2507 --tokenizer_mode mistral --config_format mistral --load_format mistral
```

Le serveur obtenu parle le même langage que l'API d'OpenAI, sur votre machine. Voxtral Mini 3B fonctionne aussi avec la bibliothèque Transformers de Hugging Face (version 4.54 ou plus récente). Le guide [Transcrire un enregistrement](https://quelleia.com/guides/transcrire-un-enregistrement/) présente d'autres solutions locales qui s'installent plus simplement sur un Mac ou un PC sous Windows.

## Ce que disent les classements

QUELLE IA relève les classements publics de la voix à part du score des modèles de langage, avec le français en tête. Les modèles Voxtral 3 y figurent « en attente de mesures » tant qu'aucune source ne les classe.

**Transcription : le haut du classement en français**

1. [Azure AI Speech LLM 09-2026](https://quelleia.com/voix/modeles/microsoft-azure-speech-09-2026/) : 3,10 % (Microsoft)
2. [Scribe v2](https://quelleia.com/voix/modeles/scribe-v2/) : 3,28 % (ElevenLabs)
3. [Hojo-ASR-Multi-V1](https://quelleia.com/voix/modeles/hojo-asr-multi-v1/) : 3,57 % (HojoAi)
4. [Universal-3 Pro](https://quelleia.com/voix/modeles/universal-3-pro/) : 3,83 % (AssemblyAI)
5. [Symphony](https://quelleia.com/voix/modeles/sprag-symphony/) : 3,89 % (Sprag)

Transcription en français, en taux d'erreur par mot (le plus bas est le meilleur).
Source : Open ASR Leaderboard, Hugging Face (https://huggingface.co/spaces/hf-audio/open_asr_leaderboard), relevé du 16 novembre 2026
[Le classement transcription](https://quelleia.com/voix/transcription/)

**Synthèse vocale : le haut du classement en français**

1. [Eleven v4](https://quelleia.com/voix/modeles/eleven-v4/) : 1 351 (ElevenLabs)
2. [Sonic 3.6](https://quelleia.com/voix/modeles/cartesia-sonic-3-6/) : 1 336 (Cartesia)
3. [Eleven v4 Turbo](https://quelleia.com/voix/modeles/eleven-v4-turbo/) : 1 310 (ElevenLabs)
4. [Eleven v3](https://quelleia.com/voix/modeles/elevenlabs-eleven-v3/) : 1 264 (ElevenLabs)
5. [v3 Conversational](https://quelleia.com/voix/modeles/elevenlabs-v3-conversational/) : 1 259 (ElevenLabs)

Synthèse vocale en français, en Elo.
Source : Artificial Analysis (https://artificialanalysis.ai/text-to-speech/leaderboard/controlled-voice), relevé du 16 novembre 2026
[Le classement synthèse vocale](https://quelleia.com/voix/synthese-vocale/)

## Exemples d'usages

Pour un compte rendu de réunion, joignez le fichier audio à une conversation dans Vibe, puis demandez :

```text
Voici l'enregistrement de la réunion d'équipe. Transcris-le en séparant les intervenants, puis liste les décisions prises et qui s'en charge.
```

Pour faire lire un texte, passez par l'API. Des balises entre crochets dans le texte règlent le ton et le rythme d'un passage, comme `[pace=slow]` ou `[emotion=calm]`. Une balise vaut jusqu'à la suivante ou jusqu'à la fin du texte. Voici le corps d'une requête à envoyer à `/v1/audio/speech` :

```json
{
  "model": "voxtral-mini-tts-3-0",
  "voice_id": "fr_marie_neutral",
  "input": "La hausse dépasse les prévisions. Le chiffre d'affaires du trimestre atteint [pace=slow] 12,4 millions d'euros.",
  "response_format": "wav"
}
```

## Pour aller plus loin

- [Voix](https://quelleia.com/voix/)
- [Transcription](https://quelleia.com/voix/transcription/)
- [Synthèse vocale](https://quelleia.com/voix/synthese-vocale/)
- [Voxtral small](https://quelleia.com/voix/modeles/voxtral-small/)
- [Voxtral mini transcribe 3](https://quelleia.com/voix/modeles/voxtral-mini-transcribe-3/)
- [Voxtral tts 3](https://quelleia.com/voix/modeles/voxtral-tts-3/)
- [Mistral ai](https://quelleia.com/editeurs/mistral-ai/)
- [Transcrire un enregistrement en texte, en ligne ou en local](https://quelleia.com/guides/transcrire-un-enregistrement.md) (guide, amateur)
- [Synthèse vocale : faire lire un texte, cloner une voix](https://quelleia.com/guides/synthese-vocale.md) (guide, amateur)
- [L'API de Mistral et Studio : clé, premier appel, prix, agents](https://quelleia.com/guides/mistral-api-et-studio.md) (guide, expert)
- [Vibe (ex-Le Chat) de Mistral pas à pas : réglages et prix](https://quelleia.com/guides/mistral-le-chat.md) (guide, débutant)

## Sources

- https://mistral.ai/news/voxtral-3/ (lue le 17 novembre 2026)
- https://docs.mistral.ai/studio/audio/overview (lue le 17 novembre 2026)
- https://docs.mistral.ai/studio/audio/speech-to-text/quickstarts/transcribe-a-file (lue le 17 novembre 2026)
- https://docs.mistral.ai/studio/audio/text-to-speech/quickstarts/generate-speech (lue le 17 novembre 2026)
- https://docs.mistral.ai/studio/audio/text-to-speech/voices (lue le 17 novembre 2026)
- https://docs.mistral.ai/studio/audio/specs-and-limits/languages (lue le 17 novembre 2026)
- https://docs.mistral.ai/studio/audio/specs-and-limits/limits (lue le 17 novembre 2026)
- https://docs.mistral.ai/studio/audio/text-to-speech/emotion-tags (lue le 17 novembre 2026)
- https://docs.mistral.ai/inference/pricing (lue le 17 novembre 2026)
- https://docs.mistral.ai/models/voxtral-small-transcribe-3-0 (lue le 17 novembre 2026)
- https://docs.mistral.ai/models/voxtral-mini-transcribe-3-0 (lue le 17 novembre 2026)
- https://docs.mistral.ai/models/voxtral-mini-tts-3-0 (lue le 17 novembre 2026)
- https://docs.mistral.ai/models/voxtral-tts-26-03 (lue le 17 novembre 2026)
- https://docs.mistral.ai/vibe/work/web/voice-mode (lue le 17 novembre 2026)
- https://mistral.ai/products/vibe/ (lue le 17 novembre 2026)
- https://huggingface.co/mistralai/Voxtral-Mini-4B-Realtime-2602 (lue le 17 novembre 2026)
- https://huggingface.co/mistralai/Voxtral-Mini-3B-2507 (lue le 17 novembre 2026)
- https://huggingface.co/mistralai/Voxtral-4B-TTS-2603 (lue le 17 novembre 2026)
- https://mistral.ai/about (lue le 17 novembre 2026)
