Voxtral vs Whisper : quelle transcription pour un agent vocal multilingue
Voxtral de Mistral et Whisper d'OpenAI sont les deux moteurs de reconnaissance vocale les plus utilisés en 2026. Voici un comparatif honnête sur latence, qualité multilingue, prix et hébergement.
Pour un agent vocal qui doit comprendre du français, de l'arabe et de l'anglais en temps réel, le choix du moteur de transcription pèse autant que le choix du LLM. Deux options dominent : Voxtral (Mistral) et Whisper (OpenAI). Voici ce qui les sépare vraiment.
Latence — l'écart se sent à l'oreille#
Voxtral mini-transcribe tourne autour de 200-400 ms de latence end-to-end sur un audio court. Whisper-large-v3 en self-hosted descend à 300-500 ms sur GPU, plus le réseau. En conversation live, 200 ms de gain rend l'agent perceptiblement plus fluide. Whisper-large reste plus précis sur audio long, mais sur le tour-de-parole typique en téléphonie, Voxtral gagne.
Qualité multilingue#
- Français standard : égalité, WER < 4 % chez les deux.
- Anglais : Whisper-large garde un léger avantage (entraîné sur plus d'audio).
- Arabe standard : Voxtral mini-2602 mieux calibré, moins de translittération hasardeuse.
- Arabe dialectal : les deux peuvent décrocher ; un fallback humain reste prudent.
- Code-switching (FR↔AR↔EN dans la même phrase) : Voxtral plus stable.
Hébergement et conformité#
Whisper open-source se self-héberge sur n'importe quel GPU récent — bon pour la souveraineté des données. Voxtral est par défaut une API Mistral, hébergée en région UE — pratique mais dépendance externe. Pour le RGPD, les deux options sont défendables ; ce qui compte, c'est ce que vous écrivez dans votre politique de confidentialité.
Prix#
Voxtral facture à la minute audio ($0.005-$0.01/min selon le modèle). Whisper self-hosted coûte le GPU (~$0.50-1.50/h selon le cloud), mais devient cheap au-delà de ~80h d'audio mensuelles. Sous ce volume, Voxtral est plus simple et meilleur marché tout compris.
Notre setup chez VocazAI#
Cascade : Voxtral d'abord (modèle par langue), faster-whisper medium en fallback self-hosté sur Docker. Cette cascade tient < 600 ms p95 en production tri-lingue, et reste vivante même si l'API Mistral a un hoquet. Premier mois gratuit pour tester en conditions réelles avec vos appels.