Les Modèles Voxtral pour la Transcription

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.

Quatre modèles, trois usages

Mistral AI propose plusieurs modèles Voxtral pour le traitement de la parole, chacun optimisé pour un usage précis : deux pour les fichiers, un pour le temps réel, un pour poser des questions sur un audio. Le choix du modèle n’est pas un détail de configuration : il détermine ce que vous pourrez faire ensuite — horodatage, détection de fin de tour, réponse en flux. Prenez cette décision en premier, avant d’écrire la moindre ligne de code.

Voxtral Mini Transcribe 3 — la transcription de fichiers

C’est le modèle par défaut pour la transcription offline : vous lui envoyez un enregistrement complet, il retourne le texte transcrit. Son identifiant API est voxtral-mini-transcribe-3 (alias de voxtral-mini-transcribe-3-0).

Il prend en charge toutes les fonctions offline : la diarisation identifie les locuteurs, avec un horodatage par segment (l’horodatage par mot n’existe plus avec Voxtral 3), le context biasing injecte un vocabulaire propre à votre domaine, et la réponse peut arriver en flux. Il couvre 50 langues et coûte 0,0035 $ la minute d’audio au 3 novembre 2026.

Concrètement, c’est le modèle à privilégier dès que l’audio existe déjà sous forme de fichier : enregistrement de réunion, podcast, interview, cours, transcription médicale ou juridique.

Exemple d’appel minimal

from mistralai.client import Mistral

client = Mistral(api_key="VOTRE_CLE_API")

with open("reunion.mp3", "rb") as f:
    response = client.audio.transcriptions.complete(
        model="voxtral-mini-transcribe-3",
        file={"content": f, "file_name": "reunion.mp3"}
    )

print(response.text)

Voxtral Small Transcribe 3 — quand la précision prime

Plus grand, voxtral-small-transcribe-3 s’emploie de la même façon. Mistral conseille de commencer par le modèle Mini et de passer au Small lorsque des erreurs persistent malgré un vocabulaire personnalisé ; il coûte 0,004 $ la minute.

Voxtral Mini Transcribe Realtime 3 — la transcription temps réel

Ce modèle est conçu pour la transcription en streaming. Son identifiant API est voxtral-mini-transcribe-realtime-3.

Son délai est réglable de 80 ms à 1,2 seconde, ou 2,4 secondes (target_streaming_delay_ms) : l’architecture transcrit au fil de l’arrivée de l’audio plutôt que d’attendre la fin de la phrase. Il couvre 45 langues et dialectes, détecte les fins de tour de parole, et sait désormais distinguer les locuteurs — mais pas les deux dans la même session. Ses segments portent le locuteur, sans heure de début ni de fin. Il coûte 0,008 $ la minute. Vous l’utiliserez pour des sous-titres en direct, un assistant vocal, de la dictée ou la transcription d’une conférence pendant qu’elle se déroule.

Exemple d’appel minimal

from mistralai.client import Mistral
from mistralai.client.models import AudioFormat

client = Mistral(api_key="VOTRE_CLE_API")
audio_format = AudioFormat(encoding="pcm_s16le", sample_rate=16000)

async for event in client.audio.realtime.transcribe_stream(
    audio_stream=mon_flux_audio,
    model="voxtral-mini-transcribe-realtime-3",
    audio_format=audio_format,
):
    print(event.text, end="", flush=True)

La génération précédente, voxtral-mini-transcribe-realtime-2602 (4 milliards de paramètres), reste disponible en open weights sous licence Apache 2.0 pour un hébergement sur vos propres machines.

Voxtral Small — le chat audio multimodal

Le troisième modèle change de nature. Voxtral Small, identifiant voxtral-small-latest — encore un modèle de génération 2 au lancement de Voxtral 3, selon la documentation —, n’est pas un transcripteur pur mais un modèle conversationnel capable de comprendre l’audio. Il accepte un fichier sonore en entrée dans une conversation chat et répond à vos questions sur son contenu, en combinant compréhension audio et génération de texte.

Cette différence se traduit dans le code : il passe par l’endpoint /chat/completions, et non par /audio/transcriptions. Vous ne lui demanderez donc pas « transcris-moi ce fichier » mais « résume cette conversation », « quel budget a été évoqué », « le client a-t-il exprimé une réclamation ».

Exemple d’appel

import base64
from mistralai.client import Mistral

client = Mistral(api_key="VOTRE_CLE_API")

with open("audio.mp3", "rb") as f:
    audio_base64 = base64.b64encode(f.read()).decode("utf-8")

response = client.chat.complete(
    model="voxtral-small-latest",
    messages=[{
        "role": "user",
        "content": [
            {"type": "input_audio", "input_audio": audio_base64},
            {"type": "text", "text": "Résumez cette conversation en 3 points clés."}
        ]
    }]
)

print(response.choices[0].message.content)

Choisir en une minute

Face à un nouveau projet, posez-vous la question du besoin dominant plutôt que celle des fonctionnalités disponibles. Le tableau ci-dessous résume les situations les plus fréquentes.

Une erreur classique consiste à partir sur le modèle temps réel parce qu’il paraît plus moderne, puis à découvrir en fin de projet que le compte-rendu attendu exige de dater chaque intervention : en temps réel, les segments portent le locuteur mais pas l’heure. Si votre livrable mentionne « qui a dit quoi, et quand », le mode offline reste le bon choix.

Points clés à retenir

• Voxtral Mini Transcribe 3 : transcription de fichiers, avec diarisation, context biasing et horodatage par segment
• Voxtral Small Transcribe 3 : la même chose, plus précis, quand le vocabulaire personnalisé ne suffit pas
• Voxtral Mini Transcribe Realtime 3 : streaming à délai réglable dès 80 ms, détection de fin de tour, diarisation sans horodatage
• Voxtral Small : chat audio pour comprendre et analyser le contenu d’un enregistrement
• 50 langues pour les fichiers, 45 en temps réel, dont le français