Quel modèle lit images, PDF, audio ou vidéo ?

Au 15/11/2026, tous les grands modèles généralistes lisent du texte et des images et répondent en texte. Pour l'audio et la vidéo, parmi les modèles phares relevés ici, c'est la gamme Gemini 4 de Google qui les annonce en entrée, avec le PDF ; côté poids ouverts, l'équipe Qwen présente Qwen3-Omni comme un modèle qui traite texte, audio, images et vidéo. Mistral AI couvre l'audio et la lecture de documents avec des modèles spécialisés (Voxtral, OCR). Le bon choix dépend donc moins du « meilleur modèle » que du format de vos données.

Cercle IA Tech est édité par IArche, qui édite ALMA, la plateforme IA pour PME. Pour la définition générale, voir la page IA multimodale du lexique Cercle IA.

Ce que chaque famille accepte en entrée

Relevé le 15/11/2026 sur les pages des éditeurs :

« Non relevé » veut dire que la page lue ne le mentionnait pas, pas que la fonction est absente : vérifiez la fiche du modèle avant de conclure. Pour Claude, la documentation présente le traitement des PDF, les citations et la réflexion comme des fonctions de son API native, absentes de sa couche de compatibilité avec le kit de développement d'OpenAI, qui refuse aussi l'audio et les fichiers.

Les modèles spécialisés

Un modèle généraliste qui « voit » une image n'est pas toujours le meilleur outil pour lire mille factures scannées. Les éditeurs publient des modèles dédiés :

• Reconnaissance de documents (OCR) : Mistral AI propose OCR 4.1, qui renvoie des cadres par paragraphe, des étiquettes de structure (titre, tableau…) et des scores de confiance par bloc. LightOn publie LightOnOCR-3, présenté comme son modèle de compréhension de documents le plus précis.
• Transcription : Voxtral Mini Transcribe 3 et Small Transcribe 3 chez Mistral AI, avec séparation des locuteurs ; Gemini 3.5 Transcribe chez Google.
• Voix de synthèse : Voxtral TTS 3 (plus de 35 langues, clonage de voix) chez Mistral AI ; Gemini 3.8 Flash TTS chez Google.
• Temps réel vocal : Gemini 3.8 Live chez Google, Voxtral Mini Transcribe Realtime 3 chez Mistral AI.

Trois situations courantes

Prenons, à titre d'illustration, une entreprise de transport qui reçoit des lettres de voiture photographiées par les chauffeurs. Un modèle d'OCR en tire le texte et la structure, un modèle de langage vérifie la cohérence des champs, et les documents de faible confiance partent en relecture humaine. Ce découpage permet aussi de changer l'un des deux modèles sans toucher à l'autre.

Points de vigilance

• Le coût : les images, l'audio et les PDF entrent dans l'usage facturé. Lisez le mode de calcul sur la page de prix de l'éditeur et testez sur un échantillon avant d'envoyer des milliers de fichiers.
• La fenêtre de contexte : les fichiers lourds la remplissent vite. Voir fenêtres de contexte comparées.
• Les données personnelles : photos, enregistrements de voix et pièces d'identité en contiennent. Vérifiez où elles sont traitées avant de les envoyer à un modèle.