Introduction à l'Audio chez Mistral AI

Cours mis à jour le 3 novembre 2026 pour Voxtral 3, d’après le 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 par voxtral-mini-transcribe-3, voxtral-mini-transcribe-realtime-3 et voxtral-mini-tts-3-0. À connaître : horodatage par segment uniquement (word renvoie une erreur 400), diarisation possible en temps réel, réglages d’une session temps réel figés dès le premier morceau d’audio, entrées context_bias libres (phrases avec espaces). Sources : Migrate from Voxtral 2 · Speech to Text.

La famille Voxtral : l’audio selon 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. Cette formation vous apprend à exploiter ces capacités pour transformer un flux sonore en texte réellement exploitable, avec le code Python qui va avec.

La transcription automatique de la parole — Speech-to-Text, ou STT — se cache derrière des usages que vous croisez tous les jours. Le sous-titrage d’une vidéo de formation, le compte-rendu d’un comité de direction, l’assistant vocal d’un service client, l’accessibilité numérique d’un site public reposent tous sur la même brique. Mistral AI y apporte une approche souveraine, performante et respectueuse de la vie privée, ce qui compte quand l’audio traité contient des noms de patients, des données clients ou des délibérations internes.

Deux façons de transcrire

Voxtral couvre deux modes qui ne répondent pas du tout aux mêmes contraintes. Le premier est la transcription offline, dite batch : vous envoyez un fichier audio complet et vous recevez la transcription. C’est le mode d’un podcast déjà enregistré, d’une interview terrain rapatriée le soir, d’un cours magistral archivé. Les modèles Voxtral Mini Transcribe 3 et, pour plus de précision, Voxtral Small Transcribe 3 y sont dédiés, avec diarisation et horodatage par segment.

Le second est la transcription temps réel, en streaming : l’audio est transcrit au fil de l’eau, avec un délai configurable de 80 ms à 1,2 seconde (ou 2,4 secondes). Rien n’est enregistré à l’avance, tout se joue pendant que la personne parle. C’est le mode des sous-titres en direct d’un webinaire, d’un assistant vocal ou d’une dictée. Le modèle Voxtral Mini Transcribe Realtime 3 est conçu pour cela. Retenez dès maintenant cette frontière : elle commande la plupart de vos choix techniques dans la suite du cours.

Les langues

Les modèles de transcription de fichiers de Voxtral 3 couvrent 50 langues, et le modèle temps réel 45 langues et dialectes, dont le français. Sans paramètre language, le modèle détecte la langue de l’enregistrement ; quand vous la connaissez, fixez-la par son code à deux lettres (fr).

Ce que Voxtral sait faire au-delà du texte brut

Transcrire ne suffit pas toujours. La diarisation identifie automatiquement les locuteurs : dans une réunion à cinq participants, le modèle distingue qui parle et quand, ce qui transforme un mur de texte en compte-rendu lisible. Le context biasing permet d’injecter un vocabulaire spécialisé — noms propres, termes techniques, acronymes — pour que « Kubernetes » ou « RGPD » ne ressortent pas déformés dans une réunion d’ingénierie.

L’horodatage par segment donne le début et la fin de chaque segment de transcription, de quoi générer des sous-titres synchronisés avec l’image ; Voxtral 3 ne propose plus d’horodatage mot par mot. La robustesse au bruit maintient la précision dans des environnements acoustiques difficiles : bruit de fond, réverbération d’une salle de réunion, micro d’ordinateur portable. Enfin, un enregistrement s’envoie en fichier, par URL ou par un fichier déjà téléversé, et la réponse peut arriver en flux, morceau par morceau.

Conformité et souveraineté

La génération précédente du modèle temps réel, Voxtral Realtime (voxtral-mini-transcribe-realtime-2602, 4 milliards de paramètres), est publiée en open weights sous licence Apache 2.0 : on peut l’héberger soi-même, sans dépendance à une API externe, même après son retrait de l’API le 30 avril 2027.

C’est un avantage majeur pour les entreprises européennes soumises 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 votre infrastructure.

Ce que vous allez apprendre

La formation suit une progression simple. Vous commencerez par comprendre les trois modèles Voxtral et par choisir celui qui correspond à votre situation. Vous passerez ensuite à la transcription offline, avec l’API, ses paramètres, la diarisation et le context biasing. Vous aborderez alors la transcription temps réel : streaming, capture microphone, contrôle de la latence. Vous terminerez par la mise en production, c’est-à-dire l’optimisation, la gestion d’erreurs et la maîtrise des coûts. Chaque leçon s’appuie sur du code Python complet et fonctionnel, que vous pouvez exécuter tel quel.

Points clés à retenir

• Voxtral est la famille de modèles audio de Mistral AI, couvrant STT et TTS
• Deux modes de transcription : offline (fichiers) et temps réel (streaming, délai réglable dès 80 ms)
• 50 langues pour les fichiers, 45 en temps réel, dont le français
• Fonctionnalités avancées : diarisation, context biasing, horodatage par segment, robustesse au bruit
• Déploiement souverain possible avec le modèle temps réel de génération 2, en open weights Apache 2.0