Aller au contenu
EN 4 QUESTIONSTrouver mon modèle
Son · guide amateur · 13 min de lecture

Voxtral de Mistral : transcrire et faire parler une voix

Voxtral est la famille de modèles audio de Mistral : elle transcrit la parole et lit un texte à voix haute. Voici comment s'en servir sans code dans Vibe, par l'API avec des exemples à copier, et sur votre propre machine avec les versions à poids ouverts.

Disponible en France

Illustration du dossier Mistral

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.
  • 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 ».
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 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 détaille cette étape.

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 [email protected]

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 :

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) :

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 :

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 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 09-2026Microsoft3,10 %
  2. Scribe v2ElevenLabs3,28 %
  3. Hojo-ASR-Multi-V1HojoAi3,57 %
  4. Universal-3 ProAssemblyAI3,83 %
  5. SymphonySprag3,89 %

Transcription en français, en taux d'erreur par mot (le plus bas est le meilleur). Source : Open ASR Leaderboard, Hugging Face, relevé du 16 novembre 2026.

Le classement transcription →

Synthèse vocale : le haut du classement en français

  1. Eleven v4ElevenLabs1 351
  2. Sonic 3.6Cartesia1 336
  3. Eleven v4 TurboElevenLabs1 310
  4. Eleven v3ElevenLabs1 264
  5. v3 ConversationalElevenLabs1 259

Synthèse vocale en français, en Elo. Source : Artificial Analysis, relevé du 16 novembre 2026.

Le classement synthèse vocale →

Exemples d’usages

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

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 :

{
  "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

Pour monter son atelier d'IA à la maison, mini lab AI, du même auteur, va plus loin.

Tous les guides →

Sources

  1. Mistral AI, Voxtral 3 (22 octobre 2026), lue le
  2. Documentation de Mistral, Voice, lue le
  3. Documentation de Mistral, Quickstart: transcribe an audio file, lue le
  4. Documentation de Mistral, Quickstart: generate speech, lue le
  5. Documentation de Mistral, Voices, lue le
  6. Documentation de Mistral, Languages, lue le
  7. Documentation de Mistral, Limits, lue le
  8. Documentation de Mistral, Emotion and pace tags, lue le
  9. Documentation de Mistral, API pricing, lue le
  10. Documentation de Mistral, fiche Voxtral Small Transcribe 3, lue le
  11. Documentation de Mistral, fiche Voxtral Mini Transcribe 3, lue le
  12. Documentation de Mistral, fiche Voxtral TTS 3, lue le
  13. Documentation de Mistral, fiche Voxtral TTS (mars 2026), lue le
  14. Documentation de Mistral, Use Voice mode, lue le
  15. Mistral AI, page de Vibe (foire aux questions), lue le
  16. Hugging Face, carte de Voxtral Mini 4B Realtime, lue le
  17. Hugging Face, carte de Voxtral Mini 3B, lue le
  18. Hugging Face, carte de Voxtral 4B TTS, lue le
  19. Mistral AI, About (dates clés), lue le