Mistral Voxtral vs GPT-4o | Benchmark IA Vocale

Deux modèles

Mistral a publié deux checkpoints sous licence Apache 2.0 en juillet 2025 :

Poids ouverts et licence

Les deux checkpoints de 2025 sont à poids ouverts sous licence Apache 2.0. Vous pouvez les télécharger et les exécuter vous-même :

• ✓ Poids complets du modèle disponibles
• ✓ Auto-hébergez-les ou adaptez-les dans le cadre de la licence Apache 2.0
• ✓ Aucun frais d'API Mistral en auto-hébergement ; vous payez toujours votre propre calcul
• ✓ Traitez l'audio sur vos propres serveurs

Sources : l'annonce de Voxtral par Mistral, la fiche officielle du modèle Voxtral Small et la fiche officielle du modèle Voxtral Mini.

Benchmarks

La publication de Mistral compare le taux d'erreur de mots (WER) en macro-moyenne sur des jeux de données anglais courts et longs, Mozilla Common Voice, FLEURS et Multilingual LibriSpeech. Dans les résultats FLEURS rapportés par Mistral, Voxtral Small bat Whisper sur chaque tâche évaluée. Un WER plus bas est meilleur :

WER FLEURS des benchmarks de lancement de Mistral, tracé face au prix API estimé ; les résultats comme les prix peuvent changer

FLEURS n'est qu'une facette de la qualité de transcription. Ce sont des résultats rapportés par l'éditeur : comparez les définitions des benchmarks publiés et testez vos propres langues, microphones et conditions d'enregistrement avant de choisir un modèle.

Voxtral vs Whisper : lequel utiliser ?

Les benchmarks ne racontent qu'une partie de l'histoire. Voici comment les deux familles de modèles se comparent sur les critères qui comptent si vous voulez réellement en exécuter un vous-même :

Le verdict : Voxtral Small rapporte de solides résultats WER et ajoute une compréhension audio que Whisper ne tente même pas. Voxtral Mini est le checkpoint que Mistral positionne pour le déploiement local et edge, mais sa fiche officielle indique toujours environ 9,5 Go de RAM GPU en bf16/fp16. Pour une app de transcription grand public, Whisper Large-v3 Turbo reste plus facile à livrer et couvre bien plus de langues. C'est pourquoi Whisper Notes combine actuellement Whisper Turbo avec Parakeet V3 et SenseVoice plutôt que Voxtral.

Coût de l'API et de l'auto-hébergement

Vérifié le 10 juillet 2026 : la fiche du modèle de Mistral indique l'entrée audio de Voxtral Small à 0,004 $ par minute. L'entrée texte et le texte généré sont facturés séparément pour les requêtes de compréhension audio. Si vous auto-hébergez les poids Apache 2.0, il n'y a aucun frais d'API Mistral, mais vous payez le matériel et l'exploitation.

Comment ça fonctionne

La fiche officielle décrit Voxtral comme un socle de modèle de langage doté d'un encodeur audio et d'un mode de transcription dédié. Les limites produit importantes sont concrètes :

1. Architecture multimodale

Voxtral accepte l'audio et le texte dans la même conversation au lieu d'agir uniquement comme un décodeur de parole vers texte :

• •Mode dédié pour la transcription directe
• •Questions-réponses audio et résumé structuré
• •Entrées audio multiples et conversations audio multi-tours

2. Langues et évaluation

Mistral liste huit langues principales avec détection automatique :

• •Anglais, espagnol, français, portugais, hindi, allemand, néerlandais et italien
• •Les benchmarks incluent FLEURS, Mozilla Common Voice et Multilingual LibriSpeech
• •La publication évalue aussi séparément l'audio anglais court et long

3. Exigences de déploiement

Des poids ouverts ne signifient pas que chaque checkpoint est assez petit pour chaque appareil :

• •Voxtral Small nécessite environ 55 Go de RAM GPU en bf16/fp16 selon sa fiche de modèle
• •Voxtral Mini est le checkpoint 3B destiné au déploiement local et edge
• •Mistral recommande vLLM pour servir les checkpoints publiés

4. Fonctionnalités clés

5. Architecture

Trois composants principaux :

Cette conception explique pourquoi Voxtral peut faire plus que de la transcription, mais elle embarque aussi des poids de modèle de langage bien plus lourds qu'un modèle dédié à la transcription comme Whisper Turbo.

Pourquoi Whisper Notes garde tout son sens

Voxtral et Whisper Notes résolvent des problèmes différents. Voxtral combine transcription et compréhension audio ; Whisper Notes se concentre sur une transcription privée, facile à exécuter sur du matériel Apple grand public.

Whisper Notes utilise Whisper Large-v3 Turbo — il équilibre performance, vitesse et besoins en VRAM pour un usage quotidien. Nous adopterons de meilleurs modèles quand ils seront disponibles avec des besoins en ressources raisonnables.

Voxtral est attrayant quand les questions-réponses audio, le résumé ou le déploiement serveur auto-hébergé comptent. Whisper Notes s'adresse aux utilisateurs individuels qui veulent une transcription privée et aucun abonnement récurrent.

Ce que cela signifie

Voxtral est une étape importante à poids ouverts au-delà de la simple reconnaissance vocale, car il peut raisonner sur l'audio en plus de le transcrire.

Pour la transcription privée hors ligne sur Mac et iPhone, des moteurs spécialisés plus petits restent plus faciles à empaqueter et à exécuter de façon constante.

Vous comparez toutes les options locales ? Chaque modèle de reconnaissance vocale sur appareil — les variantes de Whisper, Parakeet V3, SenseVoice et Voxtral — est comparé côte à côte sur notre page de comparaison des modèles Whisper.

Questions fréquentes

Télécharger pour iOS Télécharger pour macOS