Voxtral de Mistral : transcription audio, faits vérifiés

Voxtral est la famille de modèles audio de Mistral AI. Pour la transcription, la documentation actuelle cite trois modèles : un pour les fichiers enregistrés, un pour l'audio en direct et un pour les fichiers à qualité supérieure. L'annonce de juillet 2025 décrit une génération antérieure. Cette fiche sépare ce que Mistral annonce, ce que sa page tarifs montre, et ce qui manque dans les pages lues le 15/11/2026.

Les modèles, selon la documentation

La documentation audio de Mistral liste :

• Voxtral Mini Transcribe 3 (voxtral-mini-transcribe-3-0) : transcription de fichiers enregistrés ;
• Voxtral Mini Transcribe Realtime 3 (voxtral-mini-transcribe-realtime-3-0) : transcription de l'audio en direct, avec un délai réglable par session, de 80 à 1 200 ms, ou 2 400 ms ;
• Voxtral Small Transcribe 3 (voxtral-small-transcribe-3-0) : fichiers enregistrés, à qualité supérieure, « transcription only at launch », c'est-à-dire pour la transcription uniquement au lancement.

Un quatrième modèle de la même gamme, Voxtral TTS 3, génère de la parole à partir d'un texte : il ne concerne pas la transcription.

Ce que la documentation annonce

Les fonctions citées pour la transcription sont les étiquettes de locuteurs, l'horodatage des segments et le vocabulaire personnalisé (« context biasing »). Pour la version en direct, la documentation mentionne aussi la détection de fin de tour de parole.

La limite donnée pour Voxtral Mini Transcribe 3 est une fenêtre de 65 536 jetons, partagée entre l'audio et la liste de vocabulaire. Voir vocabulaire métier en transcription pour la conséquence pratique.

Sur cette page, la documentation ne donne ni la liste des langues, ni les formats audio acceptés, ni la durée maximale d'un fichier pour cette version. Elle renvoie vers une autre page, que nous n'avons pas lue.

Ce qu'annonce Mistral en juillet 2025

L'annonce, datée du 15/07/2025, présente deux modèles :

• Voxtral (24B), pour un usage à grande échelle ;
• Voxtral Mini (3B), pour un usage local ou en périphérie.

Mistral indique que les deux sont publiés sous licence Apache 2.0. Elle cite un contexte de 32 000 jetons, avec des audios de 30 minutes maximum pour la transcription, et 40 minutes pour les tâches de compréhension.

Les langues sont citées « pour n'en nommer que quelques-unes » : anglais, espagnol, français, portugais, hindi, allemand, néerlandais et italien. La liste n'est pas complète.

Les comparaisons de performance sont présentées comme des résultats de Mistral, avec les mots « surpasse » ou « dépasse » face à Whisper large-v3 ou à d'autres modèles. Les chiffres se trouvent dans des graphiques, absents du texte lu : nous ne reprenons donc aucun score.

Prix : ce qui est vérifiable

• Annonce du 15/07/2025 : « Pricing starts at $0.001 per minute », soit à partir de 0,001 dollar par minute.
• Page tarifs relevée le 15/11/2026 : la foire aux questions indique que les modèles vocaux se facturent à la minute, sans montant. Voxtral y est recommandé pour l'audio, mais aucun prix n'est affiché pour lui.

Le chiffre de 0,001 dollar vient donc d'une annonce ancienne. Le tarif actuel n'est pas lisible sur les pages lues. Pour comparer avec les autres fournisseurs, le tableau de API de transcription : les prix reprend cette annonce : à vérifier avant tout calcul de budget.

Ce qui manque dans nos sources

• la liste complète des langues de la version 3 ;
• les formats audio acceptés et la durée maximale par fichier de la version 3 ;
• tout chiffre de qualité vérifiable, les graphiques n'étant pas dans le texte lu.

Points à tester avant d'utiliser Voxtral

• La qualité sur votre audio. Mesurez-la avec taux d'erreur de mots, pas avec un chiffre d'annonce.
• Le vocabulaire. La liste de termes partage la fenêtre de 65 536 jetons avec l'audio.
• Les locuteurs. Voxtral fournit des étiquettes, pas des noms : voir diarisation.
• Les données. Avant tout fichier contenant des données personnelles, lisez le contrat et la documentation de traitement de Mistral, puis transcription audio et RGPD.