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 est conçue pour la transcription par lots d’enregistrements plutôt que pour le rôle plus large de questions-réponses du modèle Voxtral Mini 3B initial. L’entrée est audio et le résultat est un texte transcrit, enrichi facultativement de libellés de locuteurs et d’informations temporelles. Les usages pratiques 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 afin qu’une transcription puisse montrer qui a parlé et quand. Les horodatages mot à mot soutiennent les sous-titres, la recherche audio et l’alignement entre un passage textuel et sa position dans un enregistrement. Le guide du producteur permet une granularité d’horodatage par segment ou par mot. Pour un entretien, un livrable utile est une suite de passages attribués avec leurs temps ; pour la préparation de sous-titres, les temps des mots ou segments peuvent guider une étape ultérieure de sous-titrage plutôt que d’imposer leur déduction à partir d’un texte brut.

L’orientation contextuelle accepte jusqu’à 100 mots ou expressions qui guident le modèle vers l’orthographe souhaitée des noms, des termes techniques et du vocabulaire métier. Mistral indique que cette fonction est optimisée pour l’anglais et que la prise en charge des autres langues est expérimentale. Préparez une liste ciblée de vocabulaire à partir du sujet de l’enregistrement plutôt qu’un glossaire sans rapport. Un exemple original consisterait à fournir les noms de projets et les termes spécialisés susceptibles d’apparaître dans une discussion technique, puis à vérifier ces orthographes 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 allant jusqu’à trois heures dans une seule requête. Ces propriétés appartiennent au processus d’enregistrement de Mini Transcribe 2 ; les indications de contexte et de durée du modèle initial de compréhension audio 2507 décrivent une autre publication. La détection automatique de langue est disponible, et le guide indique que fournir explicitement une langue audio connue peut améliorer la précision de transcription.

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

La référence de transcription renvoie le texte et la langue détectée, avec des segments lorsqu’ils sont demandés, et documente séparément les événements de transcription diffusés progressivement. La diarisation est facultative et vaut false par défaut. Le guide précise que timestamp_granularities et un réglage explicite de language ne sont actuellement pas compatibles ; choisissez donc le processus temporel souhaité ou l’indication manuelle de langue au lieu de les combiner. La transcription avec libellés de locuteurs, l’orientation du vocabulaire et les temps doivent être sélectionnés selon le résultat prévu plutôt que supposés dans une demande de base.

La parole superposée est une limite de fond : Mistral indique que le modèle transcrit généralement un seul locuteur lorsque plusieurs parlent en même temps. Une transcription attribuée ne doit donc pas être traitée comme un relevé exhaustif de chaque énoncé simultané. Pour un compte rendu de réunion, revoyez les superpositions difficiles et les noms ou chiffres importants dans l’enregistrement. Le modèle vise la transcription ; un résumé, une traduction ou une analyse peuvent constituer une tâche séparée fondée sur celle-ci. Voxtral Realtime possède un profil distinct de latence de transcription en direct, tandis que la génération vocale appartient à d’autres modèles.

Préparez le résultat pour son usage suivant. Un processus de réunion peut conserver la transcription, les libellés de locuteurs et les temps avant qu’une étape séparée extraie les décisions ; un processus média peut utiliser les temps pour localiser des passages et préparer des sous-titres ; un enregistrement riche en terminologie peut inclure la liste ciblée d’orientation contextuelle et une revue des orthographes obtenues. Le livrable utile est un texte relié à son enregistrement source et aux métadonnées configurées, avec cette édition de transcription numérotée gardée distincte du modèle Mini initial et des noms latest évolutifs.