Mistral a sorti un modèle qui ne fait pas de bruit médiatique mais qui peut t’intéresser direct si tu fais de la transcription ou du traitement audio. Voxtral, c’est leur première famille de modèles « speech understanding » : comprendre l’audio, pas juste le retranscrire. Et c’est open source. On regarde ce que ça vaut concrètement, sans le filtre du communiqué de presse.
En bref : Voxtral est la famille de modèles audio de Mistral AI, sortie en juillet 2025 sous licence Apache 2.0. Elle existe en deux tailles (24B et 3B paramètres) et fait transcription, traduction, résumé et questions-réponses directement à partir d’un fichier audio. Selon Mistral, la version Small dépasse Whisper large-v3 en transcription. L’API coûte 0,001 $ la minute. Son vrai argument : un modèle audio européen, ouvert, déployable en local.
Voxtral, c’est quoi exactement
Voxtral est une famille de modèles qui traite l’audio de bout en bout. La différence avec un outil de transcription classique : au lieu d’enchaîner un modèle de reconnaissance vocale (ASR) puis un modèle de langage pour comprendre le texte, Voxtral fait les deux dans un seul modèle. Tu lui donnes un fichier audio, il peut le transcrire et répondre à des questions dessus, le résumer, ou déclencher une action.
Mistral propose deux versions principales, plus une variante API dédiée à la transcription.
| Modèle | Taille | Usage visé |
|---|---|---|
| Voxtral Small | 24 milliards de paramètres | Production, applications à grande échelle |
| Voxtral Mini | 3 milliards de paramètres | Local, edge, déploiement léger |
| Voxtral Mini Transcribe | variante API | Transcription optimisée via API |
Le tout est publié sous licence Apache 2.0, téléchargeable sur Hugging Face. C’est le point qui change tout par rapport à un Whisper d’OpenAI ou un Gemini de Google : tu peux faire tourner Voxtral Mini sur ta propre machine, sans envoyer un seul octet d’audio vers un serveur tiers. Si la question open source contre propriétaire t’intéresse, j’ai creusé le sujet dans ce comparatif dédié.
Côté déploiement, Mistral te laisse plusieurs portes d’entrée : le téléchargement direct des poids sur Hugging Face pour héberger toi-même, l’API via la console Mistral pour intégrer le modèle en un appel de fonction, le mode vocal de Le Chat (l’assistant grand public de Mistral), un déploiement privé en environnement entreprise, et des services de fine-tuning sur un domaine spécifique. Pour les curieux qui veulent le détail technique, le papier de recherche est publié sur arXiv (référence 2507.13264). Cette palette explique pourquoi Voxtral vise autant le développeur solo qui bidouille en local que la DSI qui veut un déploiement souverain et cadré.
Ce que Voxtral sait faire
Voxtral ne se limite pas à cracher du texte. Voici ce que l’annonce officielle met en avant :
- Transcription longue : jusqu’à 30 minutes d’audio d’un coup pour la transcription, 40 minutes pour les tâches de compréhension. La fenêtre de contexte est de 32 000 tokens.
- Traduction vocale : Mistral revendique un état de l’art en traduction multilingue de la parole.
- Questions-réponses et résumé : tu peux poser une question directement sur le contenu d’un audio, ou demander un résumé structuré, sans passer par une étape de transcription manuelle.
- Function calling : le modèle peut déclencher une fonction backend, un workflow ou un appel API à partir d’une intention exprimée à l’oral.
- Compréhension de texte : Voxtral conserve les capacités de son modèle de base (Mistral Small 3.1 pour la version Small). Ce n’est donc pas qu’un transcripteur, c’est aussi un LLM.
Côté langues, Voxtral gère l’anglais, l’espagnol, le français, le portugais, le hindi, l’allemand, le néerlandais et l’italien, avec détection automatique de la langue. L’annonce officielle ajoute l’arabe à cette liste. La model card de Voxtral Mini, elle, ne cite que les huit premières : petite incohérence entre les deux pages, à garder en tête si l’arabe est critique pour toi.
En clair, les cas d’usage concrets : transcrire des réunions ou des podcasts, sous-titrer et traduire de la vidéo, monter un assistant vocal qui agit (pas juste qui répond), ou indexer des heures d’archives audio pour les rendre cherchables.
Le function calling est la capacité qui fait vraiment la différence avec un transcripteur classique. Concrètement, tu peux dire « ajoute une réunion avec Léa jeudi à 14h » et Voxtral ne se contente pas de transcrire la phrase : il déclenche l’appel API vers ton agenda avec les bons paramètres. Tu passes d’un outil qui écrit ce que tu dis à un outil qui exécute ce que tu demandes. Pour un produit, ça supprime toute la couche intermédiaire de compréhension d’intention que tu devais coder à la main.
Les benchmarks, version honnête
C’est là qu’il faut être prudent, parce que Mistral communique surtout en relatif (« meilleur que X ») sans toujours donner les pourcentages bruts dans le texte de l’annonce.
Ce que Mistral affirme officiellement :
- Voxtral Small dépasse Whisper large-v3 sur toutes les tâches de transcription testées.
- Il bat GPT-4o mini Transcribe et Gemini 2.5 Flash, et fait mieux qu’ElevenLabs Scribe sur plusieurs benchmarks.
- En compréhension audio, Voxtral Small est annoncé « compétitif » avec GPT-4o mini et Gemini 2.5 Flash sur toutes les tâches.
- État de l’art revendiqué en traduction de la parole.
Le seul chiffre brut que j’ai trouvé dans une source officielle, c’est sur la model card de Voxtral Mini : un taux d’erreur mot (WER) moyen de 7,05, calculé sur les benchmarks FLEURS, Mozilla Common Voice et Multilingual LibriSpeech. Plus le WER est bas, mieux c’est. Pour le reste (les pourcentages précis du face-à-face contre Whisper ou Gemini), Mistral les présente sous forme de graphiques sans les chiffrer dans le texte. Les valeurs exactes du duel restent donc non communiquées côté source officielle, et je ne vais pas inventer un « Voxtral à 4 % vs Whisper à 10 % » que je ne peux pas vérifier.
Sur le prix, Mistral est clair : l’API est facturée 0,001 $ la minute d’audio, décrit comme « moins de la moitié » du tarif d’alternatives comme Whisper (API OpenAI) ou ElevenLabs Scribe. Pour de gros volumes de transcription, l’écart de coût devient vite l’argument numéro un, avant même la qualité.
Pourquoi Mistral a sorti un modèle audio
Mistral, c’est la licorne française de l’IA, et Voxtral est cohérent avec sa stratégie : occuper les segments où les Américains dominent, mais en ouvert et déployable en Europe.
L’audio était un angle mort de leur catalogue. Whisper (OpenAI) régnait sur la transcription open source depuis 2022. En sortant Voxtral sous Apache 2.0, Mistral attaque frontalement ce terrain avec un argument que ni OpenAI ni Google ne peuvent vraiment opposer : la souveraineté. Pour une administration, une boîte de santé ou un cabinet d’avocats européen qui ne veut pas que ses enregistrements transitent par des serveurs américains, un modèle audio open source qu’on héberge soi-même, c’est un vrai déblocage juridique et pas juste un argument marketing.
Ajoute à ça le prix cassé de l’API et la possibilité de fine-tuner le modèle sur un domaine précis (médical, juridique, technique), et tu comprends le positionnement : ne pas gagner sur le buzz, gagner sur le coût total et le contrôle. C’est la même logique que sur leurs concurrents open source : la valeur n’est pas dans une démo spectaculaire, elle est dans ce que tu peux déployer sans demander la permission.
Les limites réelles
Pas de langue de bois, voici ce qui coince ou ce qui n’est pas (encore) là :
- Couverture linguistique limitée. Huit à neuf langues, c’est correct mais loin des ~99 langues que couvre Whisper large-v3. Si tu bosses sur des langues rares, Voxtral n’est pas pour toi.
- Pas de system prompt sur Voxtral Mini. La model card le dit noir sur blanc : les system prompts ne sont « pas encore » supportés. Ça contraint la façon dont tu cadres le comportement du modèle.
- Réglages de température imposés. Pour la transcription, il faut une température de 0,0 ; pour le chat, température 0,2 et top_p 0,95. Rien de bloquant, mais c’est à connaître pour ne pas avoir de résultats incohérents.
- Limite de durée. 30 minutes en transcription, 40 en compréhension. Pour un fichier de 2 heures, il faut découper en amont.
- Chiffres comparatifs flous. Comme dit plus haut, le détail des benchmarks face à la concurrence n’est pas chiffré dans la communication officielle. Tu dois tester sur tes propres données avant de t’engager.
- Évolutions depuis 2025 : des versions « Transcribe 2 » de Voxtral ont été évoquées en 2026, mais leurs chiffres précis ne viennent pas des sources officielles que j’ai consultées ici : à confirmer avant de s’appuyer dessus.
Mon verdict
Je trouve Voxtral plus intéressant par son modèle économique et juridique que par sa pure performance technique. La transcription open source de qualité, ça existait déjà avec Whisper. Ce que Mistral apporte, c’est un modèle qui comprend l’audio (Q&A, résumé, function calling) dans un seul appel, à un prix d’API agressif, et surtout récupérable en local sous Apache 2.0.
Si tu construis un produit qui traite de l’audio en français ou dans une des langues couvertes, et que la confidentialité ou le coût au volume comptent, Voxtral Mini mérite un test sérieux ce week-end. Si tu as juste besoin de transcrire un podcast de temps en temps, Whisper ou un outil grand public feront aussi bien sans te demander de gérer un déploiement.
Mon conseil : ne te fie pas aux « dépasse Whisper » du communiqué. Prends 30 minutes de ton propre audio, fais tourner Voxtral Mini en local et un concurrent en parallèle, et compare le WER sur tes données. C’est le seul benchmark qui compte pour ton cas. Tout est sur la page officielle de Mistral.
FAQ
Voxtral est-il vraiment gratuit ?
Les modèles (Voxtral Small 24B et Mini 3B) sont open source sous licence Apache 2.0 : tu peux les télécharger sur Hugging Face et les faire tourner gratuitement sur ton propre matériel. Si tu passes par l’API hébergée par Mistral, c’est payant : 0,001 $ par minute d’audio.
Voxtral est-il meilleur que Whisper ?
Selon Mistral, Voxtral Small dépasse Whisper large-v3 sur les tâches de transcription testées, et coûte moins de la moitié du prix via l’API. Mais Whisper couvre beaucoup plus de langues (~99 contre 8-9 pour Voxtral). « Meilleur » dépend donc de ton besoin : qualité et compréhension sur des langues majeures pour Voxtral, couverture linguistique large pour Whisper.
Peut-on faire tourner Voxtral en local ?
Oui, c’est même son principal intérêt. Voxtral Mini (3B paramètres) est conçu pour le déploiement local et edge. Comme il est sous Apache 2.0, tu peux l’héberger sans envoyer ton audio vers un serveur tiers — un vrai argument pour les usages sensibles à la confidentialité.
