Mistral: Voxtral Mini Transcribe

Voxtral Mini Transcribe 2 est l’édition Voxtral de Mistral AI dédiée à la transcription, identifiée dans la fiche du producteur comme voxtral-mini-2602. Elle vise la transcription par lots d’enregistrements plutôt que les questions-réponses plus larges du modèle original Voxtral Mini 3B. L’entrée est audio et le résultat est du texte transcrit, éventuellement enrichi d’étiquettes de locuteurs et d’informations temporelles. Les usages comprennent les transcriptions de réunions, l’analyse d’entretiens, les comptes rendus d’appels à plusieurs participants et le texte aligné sur des médias enregistrés.

Le fabricant documente la diarisation des locuteurs et les temps de début et de fin pour indiquer qui parle et quand. Les horodatages mot à mot facilitent les sous-titres, la recherche audio et l’alignement d’un passage avec sa position dans l’enregistrement. Le guide autorise une granularité par segment ou par mot. Pour un entretien, le livrable utile est une suite de passages attribués avec leurs temps ; pour préparer des sous-titres, les temps par mot ou segment guident une étape ultérieure plutôt que d’être déduits d’une transcription sans repères.

L’orientation par contexte accepte jusqu’à 100 mots ou expressions pour guider l’orthographe des noms, termes techniques et vocabulaires spécialisés. Mistral indique que cette fonction est optimisée pour l’anglais et expérimentale dans les autres langues. Préparez une liste ciblée sur le sujet de l’enregistrement plutôt qu’un glossaire sans rapport. Un exemple pourrait fournir les noms de projets et termes spécialisés susceptibles d’apparaître dans une discussion technique, puis vérifier leur orthographe dans la transcription achevée.

Cette édition prend en charge treize langues : anglais, chinois, hindi, espagnol, arabe, français, portugais, russe, allemand, japonais, coréen, italien et néerlandais. Le fabricant documente aussi la robustesse au bruit et les enregistrements jusqu’à trois heures dans une seule requête. Ces propriétés appartiennent au processus d’enregistrement de Mini Transcribe 2 ; le contexte et les durées du modèle original de compréhension audio 2507 concernent une autre version. La détection automatique de langue est disponible, et le guide indique qu’une langue connue explicitement fournie peut améliorer la précision.

Dans le processus documenté, l’audio peut être fourni sous forme de fichier téléversé, d’identifiant d’un fichier déjà téléversé ou d’enregistrement référencé. La démonstration de téléversement accepte MP3, WAV, M4A, FLAC et OGG ; choisissez l’un de ces formats pour ce processus. Gardez l’enregistrement décodable et incluez la parole pertinente. Pour des contenus longs, conservez l’identifiant et l’origine temporelle afin de relier les futurs extraits ou modifications à la source.

La référence de transcription renvoie le texte et la langue détectée, ainsi que les segments lorsqu’ils sont demandés, et documente séparément les événements de transcription en continu. La diarisation est facultative et vaut false par défaut. Le guide précise que timestamp_granularities et un réglage explicite de langue sont actuellement incompatibles : choisissez le processus d’horodatage ou l’indication manuelle de langue plutôt que de les combiner. Sélectionnez attribution de locuteurs, vocabulaire et temps selon le résultat souhaité au lieu de les supposer inclus dans une requête simple.

Les paroles simultanées constituent une limite importante : Mistral indique que le modèle transcrit généralement un seul locuteur lorsqu’ils se chevauchent. Une transcription étiquetée ne doit donc pas être considérée comme un relevé exhaustif de toutes les paroles simultanées. Pour une réunion, réécoutez les chevauchements difficiles et vérifiez noms et chiffres importants. Le modèle vise la transcription ; résumé, traduction ou analyse peuvent être des tâches séparées fondées sur celle-ci. Voxtral Realtime possède son propre profil de latence pour le direct, et la génération vocale relève d’autres modèles.

Préparez le résultat pour son usage suivant. Un processus de réunion peut préserver transcription, locuteurs et temps avant l’extraction séparée des décisions ; un processus média peut utiliser les temps pour localiser des passages et préparer des sous-titres ; un enregistrement riche en terminologie peut inclure une liste de vocabulaire ciblée et une revue de l’orthographe obtenue. Le livrable utile est du texte lié à son enregistrement et aux métadonnées configurées, en distinguant cette édition numérotée de transcription du modèle Mini original et des noms latest évolutifs.