Formation Applications vocales avec Mistral Voxtral

Voxtral est la famille de modèles audio de Mistral AI, et elle couvre désormais les deux sens de la parole. En entrée, deux modèles de transcription se partagent le travail : l'un traite des enregistrements pouvant atteindre plusieurs heures, avec attribution des tours de parole, horodatage au mot et prise en compte d'un vocabulaire métier imposé ; l'autre transcrit un flux en direct avec une latence configurable jusqu'à quelques dizaines de millisecondes. En sortie, un modèle de synthèse génère une parole expressive dans neuf langues et reproduit une voix à partir d'un échantillon de quelques secondes, en conservant le timbre d'une langue à l'autre. Assemblés, ces modèles forment une chaîne qui écoute, comprend, décide et répond à voix haute. Parce que la difficulté d'une application vocale n'est jamais la transcription prise isolément, mais le budget de latence de la chaîne entière : au-delà d'un certain délai, l'échange cesse de ressembler à une conversation, et il faut savoir où gagner les millisecondes. Parce que les contraintes réelles de ces modèles orientent l'architecture bien plus que leurs performances affichées, et qu'on les découvre en général trop tard. Parce que la voix est une donnée biométrique et que le clonage à partir de trois secondes pose des questions de consentement qu'aucune équipe ne peut se permettre d'improviser. Ces deux jours vont de la transcription d'un enregistrement bruité jusqu'à un agent vocal interruptible avec lequel on peut réellement converser.