Voxtral 3 : une conversation devient texte, horodatages et locuteurs

« Quatre classeurs. Non, six. » Les deux nombres doivent figurer dans la transcription. Dans la liste du matériel, seule la quantité confirmée devra compter par la suite. Entre ces deux résultats corrects se trouve une petite tâche de réflexion, mais décisive : le déroulement d'une conversation et son état de travail actuel sont deux choses différentes.

Mistral a présenté Voxtral 3 le 20 octobre 2026. La documentation des modèles de transcription décrit notamment les horodatages et l'attribution des locuteurs, et indique que l'accès est proposé en Public Preview. Ce qui est particulièrement intéressant en pratique, c'est la manière dont la transcription, la position dans le temps et l'évaluation ultérieure fonctionnent ensemble.

Ce que dit réellement une étiquette de locuteur

L'attribution des locuteurs peut relier des segments prononcés par la même voix. Une étiquette telle que « Locuteur A » est d'abord une affectation technique au sein de l'enregistrement. Elle n'établit ni un nom, ni une responsabilité, ni une identité en dehors de ce contexte.

L'horodatage, lui aussi, remplit une tâche limitée : il renvoie à un point de l'audio d'origine. Un horodatage correct ne rend pas juste un nom mal reconnu. Un résumé lissé sur le plan linguistique peut, à son tour, supprimer l'autocorrection qui était importante pour la décision.

Il vaut donc la peine de séparer trois résultats : une transcription quasi littérale, la structure des locuteurs et du temps, et une vue d'ensemble des tâches qui en est dérivée. Chacun peut être vérifié sans réécrire discrètement les autres.

Votre propre échantillon de conversation, dont vous connaissez le sens

Avec une seconde personne qui y a consenti, enregistrez une courte scène non sensible. Une personne commande quatre classeurs. L'autre pose une question au sujet d'un participant supplémentaire. Puis la quantité est explicitement corrigée à six. À la fin, la question de savoir qui ira chercher les classeurs reste ouverte. Utilisez des noms inventés et aucune conversation réelle avec des clients.

Avant tout traitement automatique, rédigez votre propre référence : la formulation du changement de quantité, les changements de locuteur connus et la question ouverte du retrait. Vous déterminez les plages temporelles à partir de votre enregistrement réel. Une piste audio artificielle parfaite n'est pas nécessaire pour cela ; l'essentiel est que vous connaissiez vous-même le contenu de manière fiable.

Faites d'abord produire par une fonction de transcription adaptée uniquement la transcription et les segments de locuteurs. Vérifiez le changement de quantité et revenez en arrière à l'aide des horodatages. Ce n'est qu'ensuite que vous dérivez une vue d'ensemble des tâches. Cela permet de distinguer une erreur de reconnaissance d'un résumé erroné.

Un accord avec un chemin de retour vers l'audio

Pour la deuxième étape, une petite structure de votre cru suffit :

Conversation excerpt: “Four binders. No, six.”
Current working state: six binders
Evidence: time range of the explicit correction
Collection: responsibility not agreed in the conversation

Une instruction adaptée serait : « Résumez uniquement les tâches qui ont été explicitement convenues. Tenez compte des corrections ultérieures. Pour chaque tâche, indiquez le moment correspondant. Conservez les responsabilités floues comme point ouvert. » C'est plus précis que de demander un procès-verbal professionnel.

Vérifiez ensuite si un résumé a accidentellement transformé une suggestion non contraignante en engagement. « Peut-être que Lea peut aller le chercher » correspond à un autre état de la conversation que « Lea va le chercher ». Un mot correctement reconnu peut malgré tout se voir attribuer un mauvais degré d'engagement lors de l'évaluation.

Les sous-titres exigent une décision supplémentaire

Pour des sous-titres, vous voudrez peut-être raccourcir les répétitions et former des lignes lisibles. Une vue d'ensemble du matériel, en revanche, doit condenser l'accord actuel. Les deux tâches peuvent utiliser le même audio source, mais nécessitent des règles différentes.

Gardez la base quasi littérale séparée de la version éditée. Vous pourrez ainsi retracer plus tard pourquoi une ligne a été raccourcie et si la correction a été conservée. Les noms propres, les nombres et les nuances méritent une seconde écoute ciblée.

Cette petite expérience ne teste ni un taux de reconnaissance général ni les performances avec des accents quelconques. Elle montre quelque chose d'immédiatement utile : à quelle étape une séquence entendue devient-elle une affirmation déterminante pour l'action ? Selon la documentation, Voxtral 3 fournit des briques pour ce parcours. Un compte rendu exploitable naît lorsque leurs résultats restent reliés à l'original et que les accords ouverts ont le droit de rester ouverts.

Sources et état

Sources à jour au 25 octobre 2026. Voxtral 3 · Voxtral Mini Transcribe 3.