Les modèles Voxtral TTS

Cours mis à jour le 3 novembre 2026 pour Voxtral TTS 3, d’après le guide Migrate from Voxtral 2 et les pages Text to Speech de Mistral : voxtral-mini-tts-2603, déprécié le 31 octobre 2026 et retiré le 30 avril 2027, est remplacé dans les exemples par voxtral-mini-tts-3-0. Les voix prédéfinies de Voxtral 2 (gb_jane_neutral…) restent acceptées ; Voxtral 3 ajoute les balises [emotion=…] et [pace=…] dans le texte, le réglage expressiveness, la prononciation personnalisée (phoneme_hints) et 35 langues. Mistral conseille de remesurer la latence après la migration. Sources : Migrate from Voxtral 2 · Speech generation.

Voxtral Mini TTS : le modèle de référence

Le modèle de synthèse de la famille Voxtral est Voxtral TTS 3, identifié dans l’API par voxtral-mini-tts-3-0 (alias voxtral-mini-tts-3). Ce slug est celui que vous écrirez dans chacun de vos appels : notez-le, c’est la seule chaîne de caractères de cette formation qu’il faut retenir par cœur. Le modèle a été conçu pour offrir un équilibre optimal entre qualité vocale, latence et coût, ce qui explique qu’il couvre à lui seul la quasi-totalité des besoins professionnels.

Voxtral Mini TTS est un modèle de fondation vocale. La nuance n’est pas cosmétique : les anciens systèmes TTS découpaient le texte en phonèmes puis les concaténaient à partir d’une banque de sons, ce qui donnait ces voix hachées où chaque syllabe semblait indépendante de la précédente. Voxtral, lui, génère la parole en comprenant le contexte sémantique du texte. Sur une phrase comme « Il n’a pas dit ça, lui », le modèle sait où poser l’accent d’insistance parce qu’il a interprété la structure de la phrase, et il produit une prosodie naturelle avec des intonations cohérentes du début à la fin.

Caractéristiques techniques

Le modèle voxtral-mini-tts-3-0 présente les spécifications suivantes :

Ces 90 millisecondes méritent une seconde de réflexion : c’est le délai avant que le premier fragment sonore soit disponible, pas la durée totale de génération. Dans un assistant conversationnel, c’est ce chiffre-là qui détermine si l’échange paraît naturel ou laborieux.

Les voix professionnelles pré-intégrées

En complément du clonage vocal, Mistral AI propose une bibliothèque de voix professionnelles directement utilisables. Ces voix ont été enregistrées en studio et optimisées pour différents cas d’usage. Elles rendent un service précieux au démarrage d’un projet : vous voulez vérifier que votre pipeline fonctionne avant même d’avoir organisé une session d’enregistrement avec le comédien retenu, et une voix pré-intégrée vous permet de tout tester le jour même.

Dans Mistral Studio, l’interface web, vous pouvez explorer ces voix et les filtrer selon trois critères : le genre (masculin ou féminin), la langue principale de la voix, et l’émotion, c’est-à-dire le ton émotionnel — neutre, enthousiaste, calme, et ainsi de suite. Chacune est accessible via son voice_id dans l’API, exactement comme une voix que vous auriez clonée vous-même : le code ne change pas d’une ligne quand vous basculerez de la voix de démonstration à la voix définitive.

Poids ouverts : ce que l’on peut héberger soi-même

La génération précédente, Voxtral TTS (voxtral-mini-tts-2603), a été publiée avec ses poids — un modèle de 4 milliards de paramètres sur Hugging Face — sous licence CC BY-NC 4.0. Ce n’est pas une licence open source au sens habituel : elle interdit l’usage commercial. Elle permet d’expérimenter et de prototyper sur votre propre infrastructure, sans qu’aucun échantillon vocal ne quitte votre réseau, mais un produit commercial devra passer par l’API ou par un accord avec Mistral AI. La documentation de Voxtral TTS 3 ne mentionne pas, à ce jour, de poids ouverts.

Pour une organisation soumise à des contraintes de confidentialité — un opérateur de santé, une administration —, la question se pose donc en deux temps : l’usage est-il commercial, et le modèle ouvert couvre-t-il les langues et la qualité requises ? À défaut, ce sont les engagements contractuels de l’API (hébergement, conservation des données) qu’il faut examiner.

Utilisation via l’API Mistral

Pour utiliser Voxtral Mini TTS via l’API, vous devez d’abord initialiser le client avec votre clé API :

from mistralai.client import Mistral

client = Mistral(api_key="votre-cle-api")

Le modèle est ensuite référencé par son identifiant voxtral-mini-tts-3-0 dans chaque appel de génération. Vous verrez dans les prochaines leçons comment créer des voix et générer de la parole ; cet objet client sera le point de départ de tous les exemples qui suivent.

Si vous préférez une approche sans code, Mistral Studio propose une interface graphique accessible à l’adresse studio.mistral.ai. Vous y écoutez les voix professionnelles disponibles, vous enregistrez votre propre voix directement depuis le navigateur, vous testez la génération vocale avec différents textes et vous ajustez les paramètres — langue, émotion, format. C’est l’outil de prototypage idéal : on valide en dix minutes qu’une voix convient au projet, puis on passe au code une fois la décision prise.

Évolution de la gamme

Mistral AI a annoncé que d’autres modèles rejoindront la famille Voxtral : des modèles plus légers pour les applications embarquées et mobiles, des modèles plus puissants pour la génération vocale expressive, et des améliorations continues de la qualité multilingue. Concevez donc vos intégrations en isolant le nom du modèle dans une variable de configuration plutôt qu’en le dispersant dans votre code — le jour où un successeur arrivera, la migration tiendra en une ligne. En attendant, voxtral-mini-tts-3-0 reste la référence et couvre la grande majorité des cas d’usage professionnels.

Points clés à retenir

• Le modèle principal est voxtral-mini-tts-3-0, optimisé pour la qualité et la latence
• Des voix professionnelles pré-intégrées sont disponibles pour démarrer sans échantillon audio
• Le modèle est open source et peut être auto-hébergé
• Mistral Studio offre une interface graphique pour tester sans code
• L’API Mistral et le SDK Python sont le point d’entrée pour l’intégration