Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Introduction à l'audio chez Mistral AI

Lektion 1 av 16 Uppdaterad 3 november 2026 Utvecklare
På denna sida
  1. La famille Voxtral : la suite audio de Mistral AI
  2. Deux modes de transcription
  3. Ce que Voxtral fait au-delà du texte brut
  4. Conformité et souveraineté
  5. Ce que tu vas apprendre
  6. Viktiga punkter

Cours mis à jour le 3 novembre 2026 pour Voxtral 3, sur la base du guide Mistral Migrate from Voxtral 2 : 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 par voxtral-mini-transcribe-3, voxtral-mini-transcribe-realtime-3 et voxtral-mini-tts-3-0. Changements clés : horodatage par segment uniquement (word renvoie une erreur 400), diarisation en temps réel prise en charge, paramètres de session temps réel verrouillés après le premier fragment audio, et entrées context_bias en forme libre (phrases avec espaces). Sources : Migrate from Voxtral 2 · Speech to Text.

La famille Voxtral : la suite audio de Mistral AI

Mistral AI ne se limite plus au texte. Avec la famille Voxtral, l’entreprise française propose une suite complète de modèles dédiés à la parole : transcription, compréhension audio et synthèse vocale (text-to-speech). Ce cours t’apprend à exploiter ces capacités pour transformer des flux sonores en texte réellement exploitable, accompagné du code Python nécessaire.

La reconnaissance automatique de la parole (ASR), ou Speech-to-Text (STT), alimente des outils du quotidien que tu utilises probablement. Les sous-titres des vidéos de formation, les comptes-rendus de réunions de direction, les assistants vocaux du service client et l’accessibilité numérique des sites web publics reposent tous sur cette même technologie de base. Mistral AI apporte à cet espace une approche souveraine, performante et respectueuse de la vie privée – un aspect crucial lorsque tes fichiers audio contiennent des noms de patients, des données clients ou des délibérations internes.

50
Langues (fichiers)
80 ms
Latence minimale en temps réel
3
Modèles STT Voxtral

Deux modes de transcription

Voxtral prend en charge deux modes qui répondent à des contraintes entièrement différentes. Le premier est la transcription hors ligne, aussi appelée traitement par lots : tu envoies un fichier audio complet et reçois la transcription. Ce mode convient aux podcasts enregistrés, aux interviews de terrain téléchargées plus tard dans la journée ou aux cours archivés. Voxtral Mini Transcribe 3 et, pour une précision accrue, Voxtral Small Transcribe 3 gèrent cela, en offrant la diarisation et l’horodatage au niveau des segments.

Le second est la transcription en temps réel, ou streaming : l’audio est transcrit au fur et à mesure de son arrivée, avec une latence configurable entre 80 ms et 1,2 seconde (ou 2,4 secondes). Rien n’est préenregistré ; tout se déroule pendant que la personne parle. Ce mode alimente les sous-titres de webinaires en direct, les assistants vocaux ou les outils de dictée. Le modèle Voxtral Mini Transcribe Realtime 3 est conçu pour cela. Garde bien cette distinction en tête dès maintenant : elle dicte la plupart de tes choix techniques tout au long du reste du cours.

Langues prises en charge

Les modèles de transcription de fichiers Voxtral 3 couvrent 50 langues, tandis que le modèle en temps réel en prend en charge 45, dialectes inclus, dont le français. Sans le paramètre language, le modèle détecte automatiquement la langue de l’enregistrement ; si tu la connais, spécifie-la à l’aide de son code à deux lettres (par exemple fr).

Ce que Voxtral fait au-delà du texte brut

La transcription seule ne suffit pas toujours. La diarisation identifie automatiquement les locuteurs : lors d’une réunion à cinq personnes, le modèle distingue qui a parlé et quand, transformant un mur de texte en un résumé lisible. Le biais de contexte (context biasing) te permet d’injecter un vocabulaire spécialisé – noms propres, termes techniques, acronymes – afin que « Kubernetes » ou « RGPD » ne soient pas déformés lors d’une réunion d’ingénierie.

L’horodatage au niveau des segments fournit l’heure de début et de fin pour chaque segment de transcription, permettant la génération de sous-titres synchronisés ; Voxtral 3 ne prend plus en charge l’horodatage au niveau des mots. La robustesse au bruit maintient la précision dans des environnements acoustiques difficiles : bruit de fond, réverbération dans une salle de réunion ou microphones d’ordinateur portable. Enfin, tu peux soumettre des enregistrements sous forme de fichiers, via une URL ou à partir de fichiers précédemment téléchargés, et recevoir des réponses sous forme de flux, fragment par fragment.

Conformité et souveraineté

La génération précédente du modèle en temps réel, Voxtral Realtime (voxtral-mini-transcribe-realtime-2602, 4 milliards de paramètres), est publiée avec des poids ouverts (open weights) sous la licence Apache 2.0 : tu peux l’auto-héberger sans dépendre d’une API externe, même après son retrait de l’API le 30 avril 2027.

C’est un avantage majeur pour les entreprises européennes confrontées à des contraintes réglementaires strictes sur le traitement des données audio : les enregistrements de réunions, les appels clients ou les consultations médicales ne quittent jamais ton infrastructure.

Ce que tu vas apprendre

Le cours suit une progression simple. Tu commenceras par comprendre les trois modèles Voxtral et choisir celui qui correspond à ton cas d’usage. Ensuite, tu aborderas la transcription hors ligne, en couvrant l’API, ses paramètres, la diarisation et le biais de contexte. Puis tu passeras à la transcription en temps réel : streaming, capture microphonique et contrôle de la latence. Tu termineras par le déploiement en production, incluant l’optimisation, la gestion des erreurs et la maîtrise des coûts. Chaque leçon inclut du code Python complet et fonctionnel que tu peux exécuter tel quel.

Viktiga punkter

  • Voxtral est la famille de modèles audio de Mistral AI, couvrant la STT et la TTS
  • Deux modes de transcription : hors ligne (fichiers) et temps réel (streaming, latence configurable à partir de 80 ms)
  • 50 langues pour les fichiers, 45 pour le temps réel, dont le français
  • Fonctionnalités avancées : diarisation, biais de contexte, horodatage au niveau des segments, robustesse au bruit
  • Déploiement souverain possible avec le modèle en temps réel de deuxième génération, disponible en poids ouverts sous licence Apache 2.0