Voxtral Small Transcribe 3 : analyse des capacités, limites et coûts

Ce que fait exactement le modèle

Voxtral Small Transcribe 3 est une variante spécifique du catalogue audio de Mistral AI, identifiée par le code voxtral-small-transcribe-3-0. Contrairement au modèle open-weights Voxtral Small 24B, qui est multimodal (audio et texte) et permet des questions-réponses, cette variante est optimisée exclusivement pour la transcription audio vers texte. Son objectif principal est d'offrir une transcription de haute précision avec un support multilingue, une diarisation et la capacité d'intégrer un vocabulaire spécialisé via un biais contextuel.

Le modèle se positionne comme un outil de production pour les équipes qui ont besoin de convertir l'audio en texte de manière fiable, sans la surcharge computationnelle d'un modèle de langage complet. Alors que Voxtral Small 24B peut répondre à des questions sur l'audio, Voxtral Small Transcribe 3 se concentre sur la fidélité de la transcription, ce qui le rend idéal pour des applications telles que le sous-titrage, la transcription de réunions ou le traitement d'appels téléphoniques.

Capacités et exemples par tâche

La principale capacité de Voxtral Small Transcribe 3 est la transcription automatique de l'audio dans plusieurs langues. Selon la documentation de Mistral, le modèle prend en charge 50 langues pour la transcription hors ligne, y compris l'anglais, l'espagnol, le français, le portugais, l'hindi, l'allemand, le néerlandais et l'italien. Le modèle détecte automatiquement la langue de la source et transcrit le texte en conséquence, bien qu'il soit également possible de forcer une langue spécifique si elle est connue à l'avance.

En plus de la transcription de base, le modèle offre la diarisation, qui identifie et étiquette les différents locuteurs dans une conversation. C'est crucial pour transcrire des réunions ou des entretiens où plusieurs personnes interviennent. Il prend également en charge le biais contextuel, permettant aux utilisateurs de fournir une liste de termes spécialisés (noms propres, jargon technique) pour améliorer la précision dans ces cas spécifiques.

Benchmarks et méthodologie publiée

Mistral évalue la transcription de Voxtral Small Transcribe 3 en utilisant une intersection de 45 langues du benchmark FLEURS. La métrique principale est le taux d'erreur de mot (WER) ou le taux d'erreur de caractère (CER), selon l'écriture de la langue. Le fournisseur sépare les résultats pour les langues forcées (lorsque l'utilisateur spécifie la langue) et les langues inférées (lorsque le modèle détecte automatiquement la langue).

Pour la diarisation, la métrique cpWER (taux d'erreur de caractère avec pénalité par locuteur) est publiée sur plusieurs corpus. Il est important de noter que ces résultats sont fournis par le fournisseur et n'ont pas été reproduits de manière indépendante par des tiers. Les utilisateurs doivent valider les performances avec leurs propres données, en particulier s'ils travaillent avec des accents régionaux, du bruit de fond ou des changements rapides de locuteur.

Prix et exigences de déploiement

Le prix de Voxtral Small Transcribe 3 est de 0,004 USD par minute d'audio. Ce tarif est public et s'applique à l'API de Mistral. Il n'y a pas de frais pour la sortie texte, car elle est incluse dans le tarif audio. Pour les déploiements privés d'entreprise, un accord spécifique avec Mistral est requis, car aucun poids téléchargeable de cette variante spécifique n'a été publié.

En ce qui concerne les exigences de déploiement, en tant que service d'API, les utilisateurs n'ont pas besoin de gérer le matériel. Cependant, si le modèle de base Voxtral Small 24B est envisagé pour un déploiement local, environ 55 Go de RAM GPU sont requis en format bf16 ou fp16. Pour Voxtral Small Transcribe 3, les exigences matérielles ne s'appliquent pas directement, car il s'agit d'un service géré.

Limites, sécurité et alternatives

Une limite importante est que les horodatages disponibles sont au niveau du segment, et non du mot. Cela peut être insuffisant pour les applications nécessitant une synchronisation précise des sous-titres. De plus, au lancement, le chat général sur l'audio utilise toujours Voxtral 2, il ne faut donc pas attribuer à Voxtral Small Transcribe 3 la capacité de répondre à des questions complexes sur le contenu de l'audio.

En termes de sécurité, les utilisateurs doivent examiner les politiques de consentement et de confidentialité de Mistral, en particulier si l'audio contient des données personnelles. Pour les alternatives, Whisper large-v3 est une option open-source gratuite, mais avec une précision moindre dans certaines langues. GPT-4o mini Transcribe et Gemini 2.5 Flash sont des alternatives fermées avec des prix et des capacités différents.

Les horodatages fournis par Voxtral Small Transcribe 3 sont au niveau des segments audio, ce qui signifie que chaque segment porte un timestamp unique mais qu’il n’existe pas de marque temporelle associée à chaque mot transcrit. Cette limitation peut poser des problèmes pour les applications nécessitant une synchronisation fine, comme la création de sous‑titres précis ou l’édition de karaoké où chaque syllabe doit être alignée avec la musique. Les développeurs doivent donc évaluer si l’intervalle de temps moyen entre les segments est acceptable pour leur cas d’usage ou s’ils doivent recourir à un service offrant des timestamps par mot.

Critères pratiques de choix

Pour décider d'utiliser Voxtral Small Transcribe 3, tenez compte des critères suivants : 1) Avez-vous besoin d'une transcription pure ou aussi de la compréhension de l'audio ? Si vous avez seulement besoin de transcription, cette variante est plus efficace. 2) Travaillez-vous avec du jargon technique ou des noms propres ? Si oui, le biais contextuel est un avantage clé. 3) Avez-vous besoin de la diarisation ? Si oui, cette variante l'offre nativement. 4) Quel est votre budget ? À 0,004 USD/min, il est compétitif par rapport à d'autres API.

Si vous avez besoin de capacités de compréhension de l'audio (questions-réponses, résumés), envisagez Voxtral Small 24B ou des alternatives comme GPT-4o mini. Si le coût est la priorité principale et que la précision est suffisante, Whisper large-v3 est une option gratuite. Pour les déploiements locaux avec des exigences de confidentialité strictes, Voxtral Small 24B est l'option open-weights, bien qu'il nécessite plus de ressources matérielles.

Poursuivre l’exploration

Corrections et transparence

Si vous repérez une information incorrecte ou obsolète, envoyez-nous la page et la source à vérifier.