# Voxtral TTS

Éditeur : Mistral AI (France). Poids ouverts. Licence : CC BY-NC 4.0.

En bref : 23e sur 31 en synthèse vocale en français, ex æquo avec 3 autres modèles dont les marges d'erreur se recouvrent ; 14e sur 16 en prononciation du français ; 45e sur 96 en synthèse vocale en anglais (Artificial Analysis), dans un groupe de 10 modèles trop proches pour être départagés.

Page : https://quelleia.com/voix/modeles/voxtral-tts/. Classements de la voix de QUELLE IA, à part du score des modèles de langage, relevé du 19 octobre 2026.

## Présentation

Premier modèle de synthèse vocale de Mistral AI, avec des poids publiés sous licence non commerciale, 20 voix prédéfinies et l'imitation d'une voix à partir d'un court extrait sans transcription. Mistral annonce environ 90 millisecondes avant le premier son en diffusion continue. (lu sur https://mistral.ai/news/voxtral-tts, https://docs.mistral.ai/models/voxtral-tts-26-03, https://huggingface.co/mistralai/Voxtral-4B-TTS-2603/raw/main/README.md)

- Sortie : 23 mars 2026 (lu sur la page de l'éditeur, https://mistral.ai/news/voxtral-tts)
- Taille : 4 milliards de paramètres (lu sur la page de l'éditeur, https://mistral.ai/news/voxtral-tts)

## Langues

- Annoncées par l'éditeur : 9 langues, dont le français (en, fr, es, de, it, pt, nl, ar, hi).
- Prises en charge selon Open TTS Leaderboard : 9 langues.
- Évaluées par nos sources : français et anglais.
- Le français : annoncé par l'éditeur ; évalué, 23e sur 31 en synthèse vocale en français (1 064), 14e sur 16 en prononciation du français (13,42 %).
- Source des langues annoncées : https://docs.mistral.ai/models/voxtral-tts-26-03, https://huggingface.co/mistralai/Voxtral-4B-TTS-2603/raw/main/README.md

## Ses classements

- Synthèse vocale en français : 23e sur 31, Elo 1 064 (intervalle à 95 % : 1 043 à 1 085), 1 179 votes ; prix : 16 $ par million de caractères. Source : Artificial Analysis, https://artificialanalysis.ai/text-to-speech/model-families/mistral (relevé du 19 octobre 2026).
- Prononciation du français : 14e sur 16, taux d'erreur par mot 13,42 % ; vitesse : RTFx 50 : produit 50 secondes d'audio par seconde de calcul ; clonage de voix : non. Source : Open TTS Leaderboard, Hugging Face, https://huggingface.co/spaces/hf-audio/open_tts_leaderboard (relevé du 19 octobre 2026, version du 9 octobre 2026).
- Synthèse vocale en anglais, Artificial Analysis : 45e sur 96, Elo 1 089 (intervalle à 95 % : 1 077 à 1 101), 2 345 votes ; prix : 16 $ par million de caractères. Source : Artificial Analysis, https://artificialanalysis.ai/text-to-speech/model-families/mistral (relevé du 19 octobre 2026).

## Modèles proches

- Synthèse vocale en français : [Soniox TTS Real-Time v2](https://quelleia.com/voix/modeles/soniox-tts-real-time-v2/), 22e (1 081), juste devant
- Synthèse vocale en français : [OpenAudio S1 Mini](https://quelleia.com/voix/modeles/fish-audio-openaudio-s1-mini/), 24e (1 057), juste derrière
- Prononciation du français : [VibeVoice-Realtime-0.5B](https://quelleia.com/voix/modeles/microsoft-vibevoice-realtime-0-5b/), 13e (11,92 %), juste devant
- Prononciation du français : [Qwen3-Omni-30B-A3B-Instruct](https://quelleia.com/voix/modeles/alibaba-qwen3-omni-30b-a3b-instruct/), 15e (14,23 %), juste derrière
- Synthèse vocale en anglais, Artificial Analysis : [TTS-1](https://quelleia.com/voix/modeles/openai-tts-1/), 44e (1 090), juste devant
- Synthèse vocale en anglais, Artificial Analysis : [Gemini 2.5 Flash Lite TTS](https://quelleia.com/voix/modeles/google-gemini-2-5-flash-lite-tts/), 46e (1 085), juste derrière

## Comment lire ces chiffres

- Synthèse vocale : Dans une arène, des votants écoutent deux voix à l'aveugle et choisissent la meilleure ; l'Elo en tire un classement, plus il est haut, mieux c'est. Le repère de prononciation compte les mots qu'un modèle de transcription comprend mal en relisant la voix : plus il est bas, mieux c'est.

## Noms dans les sources

- Artificial Analysis : Voxtral TTS
- Hugging Face (hf-audio) : mistralai/Voxtral-4B-TTS-2603

## Liens

- Page de l'éditeur : https://mistral.ai/news/voxtral-tts
- L'essayer : https://docs.mistral.ai/studio/audio/text_to_speech
- Les poids sur Hugging Face : https://huggingface.co/mistralai/Voxtral-4B-TTS-2603

## Pages lues

- https://mistral.ai/news/voxtral-tts (« Speaking of Voxtral March 23, 2026 By Mistral »), 17/10/2026
- https://mistral.ai/news/voxtral-tts (« Today we’re releasing Voxtral TTS, our first text-to-speech model with state-of-the-art performance in multilingual voice generation. The model is lightweight at 4B parameters »), 17/10/2026
- https://docs.mistral.ai/models/voxtral-tts-26-03 (« Our state-of-the-art text-to-speech model with zero-shot voice cloning. Supports 9 languages, streaming with ~90ms time-to-first-audio, and no transcript required for voice prompts. »), 17/10/2026
- https://huggingface.co/mistralai/Voxtral-4B-TTS-2603/raw/main/README.md (« - **Multilingual support**: English, French, Spanish, German, Italian, Portuguese, Dutch, Arabic, and Hindi »), 17/10/2026
- https://huggingface.co/mistralai/Voxtral-4B-TTS-2603/raw/main/README.md (« - **Text-to-Speech generation** with 20 preset voices and easy adaptation to new voices »), 17/10/2026