Outils IA Par
Dernière mise à jour :

Voxtral (Mistral) : TTS, transcription, prix et licences

Votre entreprise a besoin de voix dans ses applications : un assistant téléphonique, des formations audio, un chatbot vocal pour le support client, ou simplement rendre vos contenus accessibles aux malvoyants. Jusqu'ici, les options se résumaient à des services cloud américains (ElevenLabs, Google TTS, Amazon Polly) ou des solutions open-source de qualité médiocre.

Voxtral est la gamme vocale de Mistral AI : transcription (speech-to-text), synthèse vocale (text-to-speech) et, depuis le 20 octobre 2026, un kit d'agent vocal avec Voxtral 3. Sa version la plus connue, Voxtral TTS, lancée en mars 2026, est un modèle de synthèse vocale de 4 milliards de paramètres à poids ouverts, qui supporte 9 langues dont le français et tourne sur un simple GPU. Voici quelle version choisir, et ce que chacune change pour une entreprise.

Mis à jour le 21 octobre 2026

Mistral a lancé Voxtral 3 le 20 octobre 2026 : nouveaux modèles de transcription et de synthèse vocale, plus de langues, émotion réglable et kit d'agent vocal. Ces modèles ne sont pas open-weight. La version ouverte de Voxtral TTS décrite plus bas reste disponible. Notre décryptage : ce que l'agent vocal Voxtral 3 change en PME.

Quelle version de Voxtral choisir

La gamme Voxtral compte des modèles ouverts, que vous pouvez télécharger, et des modèles réservés à l'API de Mistral ou à un déploiement sous licence commerciale. Le tableau les classe par date de sortie, avec les prix publics de Mistral.

Modèle (sortie) Usage Poids ouverts Prix API
Voxtral Small et Mini (juillet 2025) Compréhension de l'audio : transcription, résumé, questions sur un enregistrement Oui, Apache 2.0 Selon le modèle
Voxtral Mini Transcribe 2 (février 2026) Transcription de fichiers jusqu'à 3 heures, locuteurs identifiés, 13 langues Non 0,003 $ / minute
Voxtral Realtime (février 2026) Transcription en direct, 4 milliards de paramètres, installable sur un poste Oui, Apache 2.0 0,006 $ / minute
Voxtral TTS (mars 2026) Synthèse vocale, 9 langues, clonage de voix à partir de 3 secondes Oui, CC BY-NC 4.0 (non commercial) 0,016 $ / 1 000 caractères
Voxtral Small et Mini Transcribe 3 (octobre 2026) Transcription, 50+ langues, locuteurs, vocabulaire métier Non 0,004 $ et 0,0035 $ / minute
Voxtral Mini Transcribe Realtime 3 (octobre 2026) Transcription en direct, moins de 500 ms, 35+ langues Non 0,008 $ / minute
Voxtral Speech 3 (octobre 2026) Synthèse vocale, 35+ langues, émotion et rythme réglables Non 13 $ / million de caractères

La règle simple : pour faire tourner la voix sur vos propres serveurs sans contrat, Voxtral Realtime (transcription) est le seul modèle récent sous licence libre d'usage commercial. Voxtral TTS en local reste limité à un usage non commercial sans accord avec Mistral. Pour la meilleure qualité et le plus de langues, Voxtral 3 passe par l'API européenne de Mistral. Sources : annonces de Voxtral Transcribe 2, de Voxtral TTS et de Voxtral 3.

Voxtral TTS, c'est quoi concrètement

Voxtral TTS est le premier modèle text-to-speech de Mistral AI. C'est un modèle autorégressif basé sur l'architecture Transformer avec flow-matching, construit sur la base de Ministral 3B.

En termes simples : vous lui donnez du texte, il produit une voix naturelle, expressive, dans 9 langues. Et contrairement aux services cloud classiques, vous pouvez le télécharger et le faire tourner sur vos propres machines.

Caractéristique Voxtral TTS
Taille du modèle 4 milliards de paramètres
Architecture Transformer autorégressif + flow-matching (basé sur Ministral 3B)
Langues supportées 9 : français, anglais, allemand, espagnol, néerlandais, portugais, italien, hindi, arabe
Latence modèle 70 ms (pour 10s d'audio, 500 caractères)
Facteur temps réel (RTF) ~9,7x
Durée audio max 2 minutes nativement, illimité via l'API (interleaving intelligent)
Clonage vocal Zero-shot et few-shot (à partir de 3 secondes de référence)
Licence CC BY-NC 4.0 (open-weight) / API commerciale
Prix API 0,016 $/1 000 caractères

Ce qui rend Voxtral TTS différent des autres solutions

Open-weight et déployable en local

C'est le point fondamental. Avec 4 milliards de paramètres, Voxtral TTS tourne sur du matériel grand public : un laptop récent avec GPU dédié, un GPU mid-range de bureau, ou un serveur modeste. Les poids sont disponibles sur Hugging Face.

Pour une entreprise, ça signifie : zéro donnée vocale qui sort de votre infrastructure. Les textes que vous convertissez en voix, qu'il s'agisse de données clients, de documents internes ou de contenus confidentiels, restent sur vos machines.

Pourquoi c'est important

Un service de synthèse vocale cloud reçoit le texte intégral de ce que vous voulez vocaliser. Si c'est un contrat client, une fiche patient, ou un document sous NDA, ce texte transite par des serveurs tiers. Avec Voxtral en local, le texte ne quitte jamais votre réseau.

Clonage vocal avec 3 secondes d'audio

Voxtral TTS supporte le clonage vocal zero-shot. Vous fournissez un échantillon audio de 3 secondes et le modèle reproduit la voix, en capturant l'accent, les inflexions, l'intonation et même les petites imperfections naturelles.

Les cas d'usage concrets :

  • Voix de marque cohérente : un dirigeant enregistre 3 secondes, et tous les contenus audio de l'entreprise parlent avec cette voix
  • Personnalisation client : un assistant vocal qui s'adapte au profil de l'interlocuteur
  • Accessibilité : convertir des documents internes en audio avec une voix familière pour les équipes

9 langues avec cross-lingual

Voxtral TTS gère nativement le français, l'anglais, l'allemand, l'espagnol, le néerlandais, le portugais, l'italien, le hindi et l'arabe. Le support cross-lingual signifie que vous pouvez cloner une voix française et lui faire lire du texte en anglais, tout en conservant les caractéristiques de la voix originale.

Pour une PME française qui opère à l'international, c'est un avantage réel : une seule voix de marque, plusieurs langues.

70 ms de latence

La latence de 70 ms pour un échantillon de 10 secondes et 500 caractères place Voxtral TTS dans la catégorie des modèles temps réel. C'est suffisant pour des conversations vocales fluides, pas seulement pour de la génération audio en batch.

5 cas d'usage concrets pour les entreprises

1. Support client vocal automatisé

Combinez Voxtral TTS avec Voxtral Transcribe (le modèle speech-to-text de Mistral) et un LLM Mistral pour le raisonnement, et vous obtenez une chaîne vocale complète : le client parle, le système comprend, raisonne, et répond avec une voix naturelle. Le tout hébergeable en France.

L'avantage sur les solutions existantes : les conversations clients (qui contiennent souvent des données personnelles, des numéros de compte, des réclamations sensibles) ne transitent par aucun serveur tiers.

2. Formation et e-learning

Convertir des supports de formation écrits en modules audio, dans la voix du formateur ou une voix de marque. Plus besoin de réserver un studio d'enregistrement à chaque mise à jour d'un module. Le formateur enregistre 3 secondes, et Voxtral génère le reste.

Pour les entreprises avec des procédures qui changent souvent (industrie, BTP, logistique), c'est un gain de temps considérable.

3. Accessibilité des documents internes

Rendre accessibles des procédures, des notes de service ou des rapports aux collaborateurs malvoyants ou en situation de mobilité. Voxtral TTS peut convertir n'importe quel document texte en audio de qualité professionnelle, en français, directement depuis votre infrastructure.

4. Assistants vocaux embarqués

Avec seulement 4B de paramètres, Voxtral TTS peut tourner sur des appareils embarqués : bornes d'accueil, dispositifs industriels, systèmes embarqués dans des véhicules. C'est l'un des rares modèles TTS de qualité professionnelle qui ne nécessite pas de connexion cloud.

5. Contenus marketing audio et podcast

Générer des versions audio de vos articles de blog, newsletters ou fiches produits. Avec le clonage vocal, le contenu garde la voix de votre marque. C'est une façon simple de toucher une audience qui préfère écouter plutôt que lire, sans investir dans de la production audio traditionnelle.

Vous voulez intégrer la voix dans vos applications métier ?

Agent vocal qui prend les rendez-vous, transcription des appels vers votre CRM, lecture de documents : on conçoit la chaîne vocale autour de vos outils.

Tarification et options de déploiement

Voxtral TTS offre deux modes d'utilisation, selon vos besoins et vos contraintes.

Option API Mistral Auto-hébergement (open-weight)
Prix 0,016 $/1 000 caractères Gratuit (coût infra uniquement)
Licence Commerciale (incluse dans l'API) CC BY-NC 4.0 (non commercial) ou accord Mistral
Matériel requis Aucun (cloud Mistral) 1 GPU (laptop récent, GPU mid-range, ou serveur)
Souveraineté Données dans l'UE (API Mistral) Données 100% sur votre infra
Durée audio max Illimitée (interleaving automatique) 2 minutes nativement (configurable)
Idéal pour Démarrage rapide, volumes variables Données sensibles, volumes élevés, souveraineté totale

En pratique pour une PME

Commencez par l'API pour valider votre cas d'usage. À 0,016 $/1 000 caractères, convertir un article de 5 000 caractères coûte 0,08 $. Si les volumes augmentent ou si la souveraineté devient critique, basculez en auto-hébergement, avec un accord commercial de Mistral si l'usage est commercial.

Voxtral TTS vs ElevenLabs vs Amazon Polly

Pour situer Voxtral TTS dans le paysage, voici un comparatif sur les critères qui comptent pour une entreprise.

Critère Voxtral TTS (Mistral) ElevenLabs Amazon Polly
Qualité vocale 68,4 % de préférence vs ElevenLabs Flash v2.5 (tests de Mistral) Référence du marché Correcte, voix moins naturelles
Déploiement local Oui (open-weight, non commercial sans accord) Non (cloud uniquement) Non (cloud AWS)
Clonage vocal Oui (3s de référence) Oui (qualité supérieure) Non
Langues 9 langues (35+ avec Voxtral Speech 3 en API) 29+ langues 30+ langues
Prix 0,016 $/1 000 car. ~0,06 $/1 000 car. ~0,004 $/1 000 car. (voix standard)
Souveraineté France / auto-hébergement USA (soumis au CLOUD Act) USA (soumis au CLOUD Act)
Écosystème vocal complet Oui (avec Voxtral Transcribe + LLM Mistral) Partiel (TTS uniquement) Partiel (intégration AWS)

Notre analyse : le chiffre de 68,4 % vient des tests de Mistral. Au classement indépendant d'Artificial Analysis du 21 octobre 2026, ElevenLabs occupe la tête (Eleven v4), Voxtral 3 TTS est 13e et la première version de Voxtral TTS 46e. ElevenLabs reste donc devant sur la qualité pure, le nombre de langues et le clonage haut de gamme. Voxtral se choisit pour le prix, l'hébergement européen et la possibilité de faire tourner la version ouverte chez soi. Le détail du choix entre une plateforme et un agent construit pour vos outils est dans notre article ElevenLabs ou agent vocal sur mesure.

La chaîne vocale complète avec Mistral

Voxtral TTS ne fonctionne pas seul. Mistral AI propose un écosystème vocal complet qui permet de construire des applications speech-to-speech sans dépendance à des services tiers.

  1. Voxtral Transcribe : speech-to-text (transcription de la voix en texte), en version 3 depuis octobre 2026
  2. LLM Mistral (Small, Large, ou autre) : compréhension, raisonnement, génération de réponse
  3. Voxtral TTS : text-to-speech (conversion de la réponse en voix)

Depuis le 20 octobre 2026, Mistral fournit aussi un kit d'agent vocal qui enchaîne ces trois briques en un seul flux, avec un tour de parole en moins d'une seconde, pour environ 0,04 $ la minute avec Mistral Small 4. Le coût complet et les usages en PME sont détaillés dans notre décryptage de l'agent vocal Voxtral 3.

Cette chaîne est intégrée dans Le Chat de Mistral via le voice mode. Mais vous pouvez aussi la déployer sur vos propres serveurs pour créer des assistants vocaux sur mesure, connectés à vos données internes via une architecture RAG souveraine. C'est précisément notre expertise chez Tensoria : concevoir des assistants vocaux souverains sur des modèles Mistral, déployés directement sur les serveurs du client.

Comment démarrer avec Voxtral TTS

  1. Testez via Le Chat : le voice mode de Le Chat utilise Voxtral TTS. C'est la façon la plus rapide de juger la qualité vocale
  2. Essayez l'API : créez un compte sur console.mistral.ai, obtenez une clé API et testez avec quelques requêtes. Le coût est négligeable pour un prototype
  3. Évaluez le clonage vocal : fournissez un échantillon de 3 secondes et comparez avec votre voix de référence. La qualité du clonage dépend de la clarté de l'échantillon
  4. Pour l'auto-hébergement : téléchargez les poids sur Hugging Face et suivez la documentation de déploiement. Un GPU avec 8 Go de VRAM suffit pour commencer

Les limites à connaître

Licence CC BY-NC 4.0 pour l'open-weight

Les poids open-weight sont sous licence non commerciale. Pour un usage commercial en auto-hébergement, vous devez passer par un accord avec Mistral AI ou utiliser l'API payante. Ce n'est pas Apache 2.0 comme les modèles de texte Mistral.

9 langues pour la version ouverte

Voxtral TTS en open-weight couvre 9 langues. Si votre entreprise opère dans des marchés asiatiques ou dans des langues non couvertes, il faut passer à Voxtral Speech 3 (plus de 35 langues, en API uniquement) ou à ElevenLabs.

Qualité du clonage variable

Le clonage zero-shot avec 3 secondes fonctionne bien pour une voix de référence claire et sans bruit de fond. Dans des conditions moins idéales (enregistrement téléphonique, bruit ambiant), la qualité se dégrade. Pour un résultat optimal, prévoyez un enregistrement propre.

Pas de contrôle fin des émotions

La version ouverte de Voxtral TTS capture l'expressivité naturelle, mais ne permet pas de contrôler finement les émotions (joie, tristesse, urgence). Elle reproduit le ton de la voix de référence. Voxtral Speech 3 ajoute ce réglage (émotion, rythme, emphase), mais seulement par l'API.

FAQ : Voxtral TTS en pratique

Voxtral TTS est-il gratuit ?

Les poids sont disponibles gratuitement sur Hugging Face sous licence CC BY-NC 4.0 (non commercial). Pour un usage commercial, l'API Mistral facture 0,016 $ par 1 000 caractères, soit environ 73% moins cher qu'ElevenLabs Flash v2.5.

Quelles langues sont supportées ?

La version ouverte couvre 9 langues : français, anglais, allemand, espagnol, néerlandais, portugais, italien, hindi et arabe, et peut lire un texte dans une langue avec une voix clonée dans une autre. Voxtral Speech 3, en API depuis le 20 octobre 2026, passe à plus de 35 langues et 50 dialectes.

Peut-on cloner une voix avec Voxtral TTS ?

Oui. 3 secondes d'audio suffisent pour reproduire une voix avec ses accents, inflexions et intonations. La qualité dépend de la clarté de l'échantillon de référence. Un enregistrement propre, sans bruit de fond, donne les meilleurs résultats.

Peut-on déployer Voxtral TTS sur ses propres serveurs ?

Oui. Avec 4 milliards de paramètres, le modèle tourne sur un GPU grand public (8 Go de VRAM minimum). C'est l'un des rares modèles TTS de qualité professionnelle déployable en local, idéal pour les entreprises avec des contraintes de souveraineté.

Quelle différence entre Voxtral TTS et Voxtral 3 ?

Voxtral TTS (mars 2026) est un modèle de synthèse vocale de 4 milliards de paramètres à poids publiés (CC BY-NC 4.0). Voxtral 3 (20 octobre 2026) est une gamme complète, transcription, synthèse vocale et agent vocal, sans poids publiés : API européenne de Mistral ou déploiement sous licence commerciale.

Voxtral TTS est-il adapté au support client ?

Oui. La latence de 70 ms et le support multilingue en font un candidat sérieux pour les assistants vocaux. Combiné avec Voxtral Transcribe et un LLM Mistral, vous obtenez une chaîne vocale complète, hébergeable en France.

Quelle est la différence entre Voxtral TTS et ElevenLabs ?

Selon les tests de Mistral, Voxtral TTS est préféré à ElevenLabs Flash v2.5 dans 68,4 % des comparaisons, pour un prix environ 73 % inférieur. Au classement indépendant d'Artificial Analysis, ElevenLabs reste en tête et Voxtral 3 TTS est 13e. La différence majeure : la version ouverte de Voxtral tourne chez vous, ElevenLabs est uniquement en cloud.

Pour aller plus loin

Garder la voix et les transcriptions en Europe ?

On choisit avec vous la version de Voxtral et l'hébergement (API européenne, hébergeur français ou vos serveurs), puis on l'intègre à vos applications métier.

Formation

Pour que vos équipes appliquent ces usages sur leurs propres documents, voir notre formation Mistral AI, construite sur vos cas.

Anas Rabhi, ingénieur IA et data scientist, fondateur de Tensoria
Anas R. Ingénieur IA, fondateur de Tensoria ianas.fr

Je suis ingénieur IA et data scientist, fondateur de Tensoria. Depuis plus de 6 ans, je conçois et développe des systèmes IA pour les entreprises : assistants internes basés sur RAG, agents IA en production, automatisations sur mesure, traitement intelligent de documents. Je prends le projet en charge du cadrage à la mise en production, sur les modèles du marché (Mistral, Claude, GPT) ou sur des modèles ouverts hébergés chez le client quand la confidentialité l'exige.