Reconnaissance vocale
La reconnaissance vocale convertit en texte les fichiers enregistrés et l'audio en direct, avec étiquettes de locuteur, horodatage et vocabulaire personnalisé. Cette page vous aide à choisir le mode, le modèle et les fonctionnalités qui conviennent à votre application.
Choisissez votre mode
Partez de l'audio dont vous disposez. Chaque cas a sa propre page, avec un guide de démarrage pour effectuer un premier appel :
- Transcrire un fichier enregistré (hors ligne). Envoyez un enregistrement d'appel, une réunion ou un épisode de podcast en une seule requête, et obtenez la transcription complète, avec horodatage et étiquettes de locuteur si vous les demandez. Consultez Transcription de fichiers ou commencez par le guide de démarrage.
- Transcrire de l'audio en direct (temps réel). Envoyez l'audio d'un microphone ou d'une ligne téléphonique en streaming via un WebSocket, et recevez le texte pendant que les personnes parlent, avec des événements qui marquent la fin de chaque tour de parole. Consultez Transcription en temps réel ou commencez par le guide de démarrage.
- Répondre par la voix (agent audio). Quand votre application répond à voix haute, un agent audio exécute pour vous la transcription en temps réel, un modèle et la synthèse vocale. Consultez Agents audio ou commencez par le guide de démarrage.
Vous ne savez pas lequel correspond à votre besoin ? Le diagramme de décision de la page Audio hors ligne et en temps réel y répond en deux questions.
Choisissez votre modèle
Une fois que vous connaissez le mode, le choix du modèle est simple : le mode temps réel n'a qu'un seul modèle, et le mode hors ligne en a deux. Partez de ce dont vous avez besoin :
| Si vous avez besoin de | Utilisez | Pourquoi |
|---|---|---|
| Du texte pendant que les personnes parlent | Voxtral Mini Transcribe Realtime 3 | C'est le modèle temps réel : sessions, détection des tours de parole et délai de streaming que vous définissez. |
| Des transcriptions de fichiers enregistrés | Voxtral Mini Transcribe 3 | Il prend en charge toutes les fonctionnalités du mode hors ligne. Commencez par celui-ci. |
| Des transcriptions de meilleure qualité pour les fichiers enregistrés | Voxtral Small Transcribe 3 | Un modèle plus grand. Passez à ce modèle quand les transcriptions comportent encore des erreurs que le vocabulaire personnalisé ne corrige pas. |
| Des réponses à propos d'un enregistrement, comme un résumé ou une traduction | Audio dans chat completions |
Pour transférer vos requêtes vers les nouveaux modèles, consultez Migrer depuis Voxtral 2.
Fonctionnalités par mode
Le mode détermine quelles fonctionnalités vous pouvez utiliser. Chaque fonctionnalité renvoie vers la page qui présente ses paramètres :
| Fonctionnalité | Hors ligne | En temps réel |
|---|---|---|
| Étiquettes de locuteur (diarisation) | Oui, avec horodatage des segments | Oui |
| Références de locuteur | Oui, avec diarisation | |
| Biais contextuels | Oui | Oui |
| Langue, voir les langues prises en charge | Définissez-la, ou laissez le modèle la détecter | Définissez-la dans la configuration de session, ou laissez le modèle la détecter |
| Horodatage des segments | Oui, par segment. L'horodatage au niveau du mot n'est pas disponible. | |
| Détection des tours de parole | Non | Oui |
| Réponse en streaming | Oui : le texte d'un fichier entier arrive par morceaux | Non applicable : les résultats arrivent toujours sous forme d'événements |
La diarisation et la détection des tours de parole ne peuvent pas cohabiter dans une même session temps réel : une session qui active les deux renvoie une erreur. Les deux fonctionnent en temps réel, dans des sessions distinctes. Pour plus de détails, consultez Diarisation et détection des tours de parole.