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 question-réponse 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 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 instants de début et de fin pour qu’une transcription montre qui a parlé et quand. Les horodatages mot par mot servent aux sous-titres, à la recherche audio et à l’alignement entre un passage textuel et sa position dans l’enregistrement. Le guide du producteur autorise une granularité temporelle par segment ou par mot. Pour un entretien, un livrable utile est une suite de passages attribués et horodatés ; pour préparer des sous-titres, le minutage par mot ou segment peut guider une étape ultérieure plutôt que d’imposer sa déduction à partir du texte brut.

L’orientation contextuelle accepte jusqu’à 100 mots ou expressions guidant le modèle vers l’orthographe voulue des noms, termes techniques et vocabulaires 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 issue du sujet de l’enregistrement plutôt qu’un glossaire sans rapport. Un exemple original pourrait fournir les noms de projets et les termes spécialisés susceptibles d’apparaître dans une discussion technique, puis vérifier leur orthographe dans la transcription terminée.

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 atteignant 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 original 2507 de compréhension audio décrivent une autre version. La détection automatique de langue est disponible, et le guide indique que fournir explicitement une langue audio connue peut améliorer l’exactitude de transcription.

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

La référence de transcription renvoie le texte et la langue détectée, avec des segments sur demande, et documente séparément les événements de transcription en streaming. La diarisation est facultative et vaut false par défaut. Le guide note que timestamp_granularities et un réglage explicite de langue 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 locuteurs, l’orientation du vocabulaire et les informations temporelles doivent être sélectionnées selon le résultat voulu plutôt que supposées présentes dans une requête de base.

La parole superposée constitue une limite de fond : Mistral indique que le modèle transcrit généralement un seul locuteur lorsque plusieurs parlent simultanément. Une transcription étiquetée ne doit donc pas être considérée comme un relevé exhaustif de tous les propos simultanés. Pour un compte rendu de réunion, vérifiez les superpositions difficiles et les noms ou chiffres importants contre l’enregistrement. La finalité du modèle est la transcription ; résumé, traduction ou analyse peuvent constituer une tâche séparée fondée sur cette transcription. Voxtral Realtime possède un profil distinct de latence de transcription en direct, tandis que la génération de parole relève d’autres modèles.

Préparez le résultat pour son utilisation suivante. Un processus de réunion peut préserver transcription, étiquettes de locuteurs et minutage avant une étape séparée d’extraction des décisions ; un processus média peut utiliser le minutage 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 de l’orthographe obtenue. Le livrable utile est du texte lié à l’enregistrement source et aux métadonnées configurées, en gardant cette édition numérotée de transcription distincte du modèle Mini original et des noms latest évolutifs.