---
title: "Voxtral, la reconnaissance vocale de Mistral AI : ce qu’elle vaut pour la dictée professionnelle"
description: "Modèles, langues, prix, poids ouverts : tout savoir sur Voxtral, la reconnaissance vocale de Mistral AI, et ce que nous avons mesuré en dictée professionnelle."
url: "https://techvoice.fr/blog/voxtral-mistral-ai-reconnaissance-vocale"
language: "fr"
published: "2026-11-09"
updated: "2026-11-09"
author: "L’équipe TechVoice"
---

# Voxtral, la reconnaissance vocale de Mistral AI : ce qu’elle vaut pour la dictée professionnelle

> Modèles, langues, prix, poids ouverts : tout savoir sur Voxtral, la reconnaissance vocale de Mistral AI, et ce que nous avons mesuré en dictée professionnelle.

Mistral AI, l’entreprise française fondée à Paris en 2023, s’est fait connaître par ses modèles de langage. Depuis juillet 2025, elle développe aussi **Voxtral**, une famille de modèles de reconnaissance vocale. TechVoice l’utilise pour toutes ses transcriptions, en direct comme à l’import. Voici ce qu’il faut savoir sur Voxtral, et ce que nous avons appris en le mesurant sur de la dictée professionnelle en français.

## Voxtral en bref

- **Éditeur** : Mistral AI, Paris.
- **Usages** : transcription de fichiers audio (*batch*) et transcription en temps réel (*streaming*).
- **Accès** : par l’API de Mistral, hébergée en Europe ; les premières générations existent aussi en poids ouverts.
- **Prix** : à la minute d’audio, de l’ordre de quelques dixièmes de centime de dollar.

## Trois générations en un an et demi

| Génération | Sortie | Modèles de transcription | À retenir |
|---|---|---|---|
| Voxtral | juillet 2025 | Voxtral Mini (3 milliards de paramètres), Voxtral Small (24 milliards) | Poids ouverts sous licence Apache 2.0 ; transcription et compréhension de l’audio |
| Voxtral Transcribe 2 | février 2026 | Voxtral Mini Transcribe V2, Voxtral Realtime | 13 langues ; modèle temps réel publié en poids ouverts (Apache 2.0) |
| Voxtral 3 | octobre 2026 | Voxtral Mini Transcribe 3, Voxtral Small Transcribe 3, Voxtral Mini Transcribe Realtime 3 | Plus de 50 langues annoncées ; préversion publique ; poids non publiés à ce jour |

À la sortie de Voxtral 3, Mistral affichait **0,0035 $ la minute** pour Mini Transcribe 3, **0,004 $** pour Small Transcribe 3 et **0,008 $** pour la transcription en temps réel. Une heure d’enregistrement transcrite par le modèle Small revient donc à environ 24 centimes de dollar.

Les treize langues de Voxtral Transcribe 2 étaient l’anglais, le chinois, le hindi, l’espagnol, l’arabe, le français, le portugais, le russe, l’allemand, le japonais, le coréen, l’italien et le néerlandais. Voxtral 3 étend la couverture à plus de cinquante langues en transcription de fichiers, dont les vingt-quatre langues officielles de l’Union européenne, et à un peu moins en temps réel.

## Fichier ou temps réel : deux façons d’écouter

**La transcription de fichiers** reçoit l’enregistrement entier. Le modèle dispose de tout le contexte avant d’écrire, ce qui le rend plus précis. C’est le mode qui convient à un mémo vocal ou à une réunion enregistrée.

**La transcription en temps réel** reçoit l’audio par petits morceaux, au fil de la parole, et renvoie le texte au fur et à mesure. Un réglage, le délai cible, arbitre entre réactivité et précision : plus le modèle attend avant d’écrire, mieux il entend. Dans nos mesures, passer de 1 000 à 500 millisecondes coûtait 7 points d’erreur sur les termes métier, sans faire arriver la fin de la transcription plus tôt. Nous sommes restés à 1 000 ms.

TechVoice utilise **Voxtral Mini Transcribe Realtime 3** pour la dictée en direct et **Voxtral Small Transcribe 3** pour les fichiers importés, en lui imposant dans les deux cas la langue de l’application : français ou anglais.

## Ce que nous avons mesuré

Notre banc d’essai rejoue des comptes rendus d’orthopédie dictés par une voix de synthèse et compte, en plus du taux d’erreur global, les termes métier manqués : c’est cette métrique qui décide, car un compte rendu où « dyspnée » devient « dispersée » est inutilisable, même si le reste est parfait.

| Mesure (novembre 2026) | Résultat |
|---|---|
| Termes métier manqués, import, texte brut | 30,4 % avec la génération précédente, **9,6 %** avec Small Transcribe 3, au même tarif |
| Termes métier manqués, dictée en direct, texte brut | 32,2 % avec la génération précédente, **25,2 %** avec Realtime 3 en français |
| Termes métier manqués après la correction de TechVoice | **2,6 %** à l’import, **environ 5 %** en direct |
| Premier mot affiché | environ **2,5 s** après le début de la parole (médiane) |
| Fin de la transcription après « stop » | **1,5 s** (médiane) |
| Réunion réelle de 30 minutes | transcrite en **52 à 67 secondes** |
| Quatre dictées en direct simultanées | **0 échec sur 20**, contre 10 sur 32 avec la génération précédente |

Ces chiffres sont **optimistes** : une voix de synthèse articule parfaitement et ne connaît ni le bruit d’un cabinet ni les hésitations. Ils servent à comparer des options entre elles, pas à prédire le taux d’erreur de votre propre voix. Le saut de qualité entre générations, lui, est net et constant d’une mesure à l’autre.

Un détail technique illustre le genre de surprise qu’on ne trouve qu’en mesurant. L’ouverture d’une session temps réel prend environ une seconde chez Mistral, et le modèle ne rattrape pas l’audio accumulé pendant ce temps : le premier mot arrivait vers 3,5 secondes. En gardant une session ouverte d’avance, prête pour la dictée suivante, TechVoice l’affiche vers 2,5 secondes, sans rien changer à la qualité.

## Les limites à connaître

1. **Le *context biasing* est limité.** Voxtral accepte une liste de 100 termes à favoriser, sans espace dans un terme : « insuffisance cardiaque » doit s’écrire avec un tiret bas, que le modèle recopie parfois dans sa sortie. Mistral qualifie ce mécanisme d’expérimental hors de l’anglais ; sur nos dictées en français, il n’apportait rien après correction et dégradait la dictée en direct. Nous ne l’utilisons pas.
2. **Une heure par fichier.** La documentation annonce 60 minutes au plus. En pratique, l’audio et le texte produit se partagent une fenêtre de 65 536 *tokens* : un fichier de 104 minutes a été refusé. TechVoice plafonne les imports à 60 minutes.
3. **Le temps réel peut couper.** Une session peut se fermer à tout moment côté fournisseur (« service restart ») : l’une de nos sondes s’est arrêtée au bout de 7 min 33 s, une autre a tenu 17 min 45 s sans interruption. Une application sérieuse doit conserver le texte déjà reçu et se reconnecter sans perdre la dictée.
4. **Voxtral 3 est en préversion publique.** Son comportement et sa disponibilité peuvent encore changer : il faut pouvoir revenir à la génération précédente sans tout réécrire.

## Pourquoi nous avons choisi Voxtral

- **La qualité sur le français spécialisé**, une fois la correction appliquée, au niveau de ce que nous cherchions pour des comptes rendus.
- **Un fournisseur européen.** Mistral AI est une entreprise française et son API est hébergée en Europe. Pour des professionnels qui dictent des contenus sensibles, c’est un critère de fond, pas un détail.
- **Le prix**, quelques dixièmes de centime par minute, qui permet un abonnement accessible.
- **Les poids ouverts des générations précédentes**, qui gardent ouverte la porte d’un fonctionnement local, sur vos propres serveurs.
- **Un seul écosystème** : la correction passe par un modèle de langage de Mistral, Mistral Small, le plus rapide de ceux que nous avons mesurés, à environ 200 *tokens* par seconde.

## Et face à Whisper ou aux autres ?

À son lancement en 2025, Mistral annonçait que Voxtral surpassait Whisper large-v3, le modèle ouvert d’OpenAI ; c’est une mesure de l’éditeur. Côté indépendant, Artificial Analysis classait Voxtral Small Transcribe 3 au troisième rang de son classement de transcription à sa sortie. Nous n’avons pas refait ces comparaisons : notre banc mesure ce qui compte pour nos utilisateurs, les termes métier en français.

Le meilleur modèle du monde ne suffit pas, d’ailleurs, à faire une bonne dictée professionnelle. Ce qui fait la différence au quotidien, c’est ce qui l’entoure : le vocabulaire, la correction bornée et la mémoire de vos corrections, détaillés dans [notre article sur le fonctionnement de la dictée vocale par IA](https://techvoice.fr/blog/comment-fonctionne-la-dictee-vocale-ia). Et pour estimer ce que la dictée peut vous faire gagner, voyez [le calcul du temps gagné](https://techvoice.fr/blog/dictee-vocale-gain-de-temps).

## Sources

- Mistral AI, « [Voxtral](https://mistral.ai/news/voxtral) », juillet 2025.
- Mistral AI, « [Voxtral Transcribe 2](https://mistral.ai/news/voxtral-transcribe-2) », février 2026.
- Mistral AI, « [Voxtral 3](https://mistral.ai/news/voxtral-3) », octobre 2026.
- Artificial Analysis, [classement Speech to Text](https://artificialanalysis.ai/speech-to-text).
- Mesures internes TechVoice, corpus synthétique de comptes rendus d’orthopédie, novembre 2026.