Cas d'utilisation de la transcription audio
Op deze pagina
Cours mis à jour le 3 novembre 2026 pour Voxtral 3, sur la base du guide Migrate from Voxtral 2 de Mistral : les modèles Voxtral 2 (
voxtral-mini-2602,voxtral-mini-transcribe-realtime-2602,voxtral-mini-tts-2603), dépréciés le 31 octobre 2026 et retirés le 30 avril 2027, sont remplacés dans les exemples parvoxtral-mini-transcribe-3,voxtral-mini-transcribe-realtime-3etvoxtral-mini-tts-3-0. Changements clés : horodatage uniquement au niveau des segments (wordrenvoie une erreur 400), prise en charge de la diarisation en temps réel, paramètres de session en temps réel verrouillés après le premier fragment audio, et entréescontext_biasflexibles (phrases avec espaces). Sources : Migrate from Voxtral 2 · Speech to Text.
Pourquoi automatiser la transcription audio
La transcription automatique convertit un flux audio en texte structuré et exploitable. Avec les performances actuelles de Voxtral, le taux d’erreur est suffisamment faible pour une utilisation directe dans de nombreux contextes professionnels, sans relecture exhaustive. Ce détail change la donne économique : tant qu’une révision ligne par ligne reste nécessaire, l’automatisation ne fait que déplacer le travail au lieu de l’éliminer.
Les cas d’utilisation ci-dessous partagent une caractéristique commune : chacun repose sur un paramètre d’API spécifique. Apprendre à les identifier vous évite de reconstruire manuellement ce que le modèle produit déjà.
Sous-titrage automatique
Le sous-titrage est l’application la plus directe. L’horodatage au niveau des segments de Voxtral Mini Transcribe 3 fournit l’heure de début et de fin de chaque segment de transcription, ce qui suffit pour générer des fichiers SRT ou VTT synchronisés avec la parole. Vous activez cette sortie avec timestamp_granularities=["segment"] ; l’horodatage au niveau des mots, disponible dans Voxtral 2, renvoie désormais une erreur 400. Si un segment est trop long pour l’écran, vous le divisez davantage côté client.
En pratique, un organisme de formation en ligne l’utilise pour sous-titrer son catalogue vidéo, une agence gouvernementale pour rendre le contenu accessible aux utilisateurs sourds et malentendants, et un éditeur pour produire des sous-titres multilingues en chaînant transcription et traduction. Pour les webinaires ou conférences en direct, le besoin est identique mais bascule vers Voxtral Realtime, car le fichier n’est pas disponible au moment où les sous-titres doivent apparaître.
Exemple : génération de sous-titres SRT
from mistralai.client import Mistral
client = Mistral(api_key="YOUR_API_KEY")
with open("video_audio.mp3", "rb") as f:
response = client.audio.transcriptions.complete(
model="voxtral-mini-transcribe-3",
file={"content": f, "file_name": "video_audio.mp3"},
timestamp_granularities=["segment"]
)
# Générer un fichier SRT : un sous-titre par segment
def to_srt(segments):
srt_lines = []
for idx, seg in enumerate(segments, 1):
srt_lines.append(f"{idx}")
srt_lines.append(f"{format_time(seg.start)} --> {format_time(seg.end)}")
srt_lines.append(seg.text.strip())
srt_lines.append("")
return "\n".join(srt_lines)
def format_time(seconds):
h = int(seconds // 3600)
m = int((seconds % 3600) // 60)
s = int(seconds % 60)
ms = int((seconds % 1) * 1000)
return f"{h:02d}:{m:02d}:{s:02d},{ms:03d}"
Comptes rendus de réunion
La combinaison transcription + diarisation fait de Voxtral un outil sérieux pour les comptes rendus de réunion automatiques. Le modèle identifie chaque interlocuteur et produit une transcription structurée par participant, là où une transcription plate force le lecteur à deviner qui parle. Deux paramètres suffisent : diarize=True pour séparer les locuteurs et timestamp_granularities=["segment"] pour obtenir des blocs temporels.
Une équipe l’utilise pour ses points hebdomadaires, un comité de direction pour ses réunions de comité, et un service qualité pour archiver et rechercher dans l’historique des réunions. Le texte diarisé sert également de matière première pour extraire automatiquement les décisions et les plans d’action.
Flux de travail typique
response = client.audio.transcriptions.complete(
model="voxtral-mini-transcribe-3",
file={"content": audio_file, "file_name": "reunion.mp3"},
diarize=True,
timestamp_granularities=["segment"]
)
# Chaque segment contient : speaker, start, end, text
for segment in response.segments:
print(f"[{segment.speaker_id}] ({segment.start:.1f}s) {segment.text}")
Vous pouvez ensuite envoyer le résultat à un LLM (Mistral Large 3, par exemple) pour en extraire un résumé, les décisions prises et les plans d’action.
Podcasts et interviews
Les podcasts et les interviews sont des contenus longs – de trente minutes à plus de deux heures – avec deux à cinq participants. Voxtral distingue l’animateur des invités grâce à la diarisation, et respecte les noms des intervenants ainsi que le jargon spécifique au sujet grâce au biais de contexte. Pour les enregistrements les plus longs, gardez à l’esprit la fenêtre de contexte, partagée entre l’audio et le vocabulaire : une requête la dépassant est rejetée avec une erreur 400 (rien n’est tronqué) ; divisez plutôt l’audio.
Un producteur de podcast l’utilise pour générer une transcription complète publiée sous forme d’article, un indexation en texte intégral pour des archives consultables, des notes de spectacle générées automatiquement et des citations prêtes à être découpées pour les réseaux sociaux. Le même fichier audio alimente ainsi quatre livrables différents.
Accessibilité numérique
La transcription automatique est un pilier de l’accessibilité numérique, mandaté par l’European Accessibility Act (juin 2025). Le sous-titrage des contenus vidéo est désormais une obligation légale, tout comme la transcription des messages vocaux en texte, la fourniture de descriptions textuelles de contenus audio – ce qui profite incidemment au référencement naturel (SEO) – et le maintien d’archives accessibles des enregistrements.
Voxtral vous permet d’automatiser ces obligations à grande échelle, avec un coût marginal par minute d’audio bien inférieur à celui de la transcription humaine. Pour un catalogue de plusieurs centaines d’heures, c’est la différence entre un déploiement de conformité budgétisé et un report sine die.
Autres applications
| Secteur | Cas d’utilisation typique |
|---|---|
| Centres d’appels | Transcription et analyse des conversations clients pour le contrôle qualité |
| Santé | Dictée de rapports avec biais de contexte pour le vocabulaire spécialisé |
| Juridique | Transcription d’audiences et de dépositions |
| Éducation | Transcription de cours pour les étudiants |
| Journalisme | Transcription rapide d’interviews sur le terrain |
Avant d’écrire la moindre ligne de code, identifiez le cas d’utilisation le plus proche du vôtre dans cette liste et notez les paramètres qu’il requiert. C’est cette combinaison – et non le modèle seul – qui détermine la qualité de vos résultats.
Belangrijkste punten
- Le sous-titrage utilise l’horodatage au niveau des segments pour générer des fichiers SRT/VTT
- Les comptes rendus de réunion combinent diarisation et transcription segmentée
- Les podcasts et interviews bénéficient de la prise en charge de l’audio long (3h) et du biais de contexte
- L’accessibilité numérique est une obligation légale que Voxtral aide à automatiser
- Chaque cas d’utilisation repose sur des paramètres spécifiques de l’API Voxtral