Voxtral TTS
Mistral AI · France
- Poids ouverts
- Licence : CC BY-NC 4.0
- Éditeur français
- Français annoncé
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.
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 mistral.ai, docs.mistral.ai, huggingface.co, le 17/10/2026.
- Sortie
- 23 mars 2026 lu sur la page de l'éditeur
- Taille
- 4 milliards de paramètres lu sur la page de l'éditeur
Langues
- Annoncées par l'éditeur : 9 langues, dont le français (en, fr, es, de, it, pt, nl, ar, hi). Lu sur docs.mistral.ai, huggingface.co.
- 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 %).
Ses 3 classements
Chaque ligne vient d'une seule source, dans son unité : les chiffres de deux lignes ne se comparent pas entre eux. Ils ne comptent pas dans le score des modèles de langage.
- En français · Synthèse vocale
Synthèse vocale en français
23e sur 31Elo 1 064, intervalle 1 043 à 1 085, 1 179 votes
Prix : 16 $ par million de caractères
Source : Artificial Analysis · relevé du 19 octobre 2026.
- En français · Synthèse vocale
Prononciation du français
14e sur 16taux d'erreur par mot 13,42 %
Vitesse : RTFx 50 : produit 50 secondes d'audio par seconde de calculClonage de voix : non
Source : Open TTS Leaderboard, Hugging Face · relevé du 19 octobre 2026, version du 9 octobre 2026.
- En anglais · Synthèse vocale
Synthèse vocale en anglais, Artificial Analysis
45e sur 96Elo 1 089, intervalle 1 077 à 1 101, 2 345 votes
Prix : 16 $ par million de caractères
Source : Artificial Analysis · relevé du 19 octobre 2026.
Modèles proches
- Synthèse vocale en français : devant, Soniox TTS Real-Time v2 (22e, 1 081) · derrière, OpenAudio S1 Mini (24e, 1 057)
- Prononciation du français : devant, VibeVoice-Realtime-0.5B (13e, 11,92 %) · derrière, Qwen3-Omni-30B-A3B-Instruct (15e, 14,23 %)
- Synthèse vocale en anglais, Artificial Analysis : devant, TTS-1 (44e, 1 090) · derrière, Gemini 2.5 Flash Lite TTS (46e, 1 085)
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.
D'où vient cette fiche
- Nom dans les sources
- Artificial Analysis :
Voxtral TTS; Hugging Face (hf-audio) :mistralai/Voxtral-4B-TTS-2603 - Fiche
- Registre de QUELLE IA, lu sur carte du modèle sur Hugging Face (licence cc-by-nc-4.0), 17/10/2026.
- 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
Voir aussi : la voix en bref, la transcription, la synthèse vocale, ou cette fiche en texte.