myia-ai-01 · Sep 21, 2026 · Sep 17, 2026
diff --git a/MyIA.AI.Notebooks/GenAI/Audio/01-Foundation/01-4-Whisper-Local.ipynb b/MyIA.AI.Notebooks/GenAI/Audio/01-Foundation/01-4-Whisper-Local.ipynb
@@ -1822,7 +1822,7 @@
     "   - Extraire : texte, langue, timestamps debut/fin, confiance moyenne\n",
     "4. Créer un tableau recapitulatif avec pandas ou un dictionnaire structure\n",
     "\n",
-    "### Indices\n",
+    "> **Indices :**\n",
     "\n",
     "- `librosa.effects.split(y, top_db=20)` retourne les indices des segments non-silents\n",
     "- Convertir les indices en temps : `start_sample / sr` donne le temps en secondes\n",

diff --git a/MyIA.AI.Notebooks/GenAI/Audio/02-Advanced/02-1-Chatterbox-TTS.ipynb b/MyIA.AI.Notebooks/GenAI/Audio/02-Advanced/02-1-Chatterbox-TTS.ipynb
@@ -4563,7 +4563,7 @@
     "   - Ratio temps reel\n",
     "   - Evaluation subjective de l'expressivite (1-5)\n",
     "\n",
-    "### Indices\n",
+    "> **Indices :**\n",
     "\n",
     "- La fonction `model.generate()` accepte les paramètres `exaggeration` et `cfg_weight`\n",
     "- Pour comparer objectivement, utilisez le même texte pour toutes les configurations\n",

diff --git a/MyIA.AI.Notebooks/GenAI/Audio/02-Advanced/02-2-XTTS-Voice-Cloning.ipynb b/MyIA.AI.Notebooks/GenAI/Audio/02-Advanced/02-2-XTTS-Voice-Cloning.ipynb
@@ -2212,7 +2212,7 @@
     "   - Sinon : comparer les caractéristiques audio (RMS, peak, spectrogramme)\n",
     "   - Créer un tableau recapitulatif des résultats\n",
     "\n",
-    "### Indices\n",
+    "> **Indices :**\n",
     "\n",
     "- La méthode `tts.tts_to_file()` accepte les paramètres `text`, `file_path`, `speaker_wav`, et `language`\n",
     "- Les langues supportees incluent : 'fr', 'en', 'es', 'de', 'it', 'pt'\n",

diff --git a/MyIA.AI.Notebooks/GenAI/Audio/02-Advanced/02-4-Demucs-Source-Separation.ipynb b/MyIA.AI.Notebooks/GenAI/Audio/02-Advanced/02-4-Demucs-Source-Separation.ipynb
@@ -1813,7 +1813,7 @@
     "     - Un remix \"balance personnalise\" (volumes au choix)\n",
     "   - Pour chaque remix, calculer le SDR (Signal-to-Distortion Ratio) approximatif\n",
     "\n",
-    "### Indices\n",
+    "> **Indices :**\n",
     "\n",
     "- Utiliser `apply_model()` avec `shifts=1` et `overlap=0.25` pour la separation\n",
     "- Le SDR peut etre estime en comparant l'energie du stem avec l'energie du mix original\n",

diff --git a/MyIA.AI.Notebooks/GenAI/Audio/02-Advanced/02-6-MIDI-Generation.ipynb b/MyIA.AI.Notebooks/GenAI/Audio/02-Advanced/02-6-MIDI-Generation.ipynb
@@ -17331,7 +17331,7 @@
     "   - Noter chaque variation sur : coherence (1-5), originalite (1-5), adequation au contexte (1-5)\n",
     "   - Identifier la meilleure variation et expliquer pourquoi\n",
     "\n",
-    "### Indices\n",
+    "> **Indices :**\n",
     "\n",
     "- Utilisez `create_music_prompt()` pour configurer le prompt\n",
     "- Utilisez `generate_and_save()` avec différents paramètres\n",

diff --git a/MyIA.AI.Notebooks/GenAI/Audio/03-Orchestration/03-1-Multi-Model-Audio-Comparison.ipynb b/MyIA.AI.Notebooks/GenAI/Audio/03-Orchestration/03-1-Multi-Model-Audio-Comparison.ipynb
@@ -1162,7 +1162,7 @@
     "3. Calculer le WER pour chaque phrase avec la fonction `word_error_rate()` du notebook\n",
     "4. Analyser comment la longueur et la complexite des phrases influencent le WER\n",
     "\n",
-    "### Indices\n",
+    "> **Indices :**\n",
     "- `# Étape 1` : Inclure des phrases simples (\"Hello world\"), moyennes et techniques (\"The RTX 3090 has 24GB of GDDR6X VRAM\")\n",
     "- `# Étape 2` : Simuler des erreurs en modifiant aleatoirement des mots de la reference\n",
     "- `# Indice` : Le WER = (substitutions + insertions + deletions) / nombre de mots de reference\n",
@@ -3149,7 +3149,7 @@
     "3. Calculer le cout pour chaque combinaison (Whisper API vs local, OpenAI TTS vs Kokoro vs Chatterbox)\n",
     "4. Presenter les résultats dans un tableau comparatif\n",
     "\n",
-    "### Indices\n",
+    "> **Indices :**\n",
     "- `# Étape 1` : Choisir un scénario avec un volume mensuel realiste\n",
     "- `# Étape 2` : Whisper API = $0.006/min, OpenAI TTS = $15/1M caractères, local = electricite GPU (~$0.001/min)\n",
     "- `# Indice` : Un service client traite typiquement 2-4h d'appels/jour\n",
@@ -3838,7 +3838,7 @@
     "3. Comparer au moins 2 modèles STT et 2 modèles TTS\n",
     "4. Generer un tableau recapitulatif et une visualisation\n",
     "\n",
-    "### Indices\n",
+    "> **Indices :**\n",
     "- Utilisez la classe `BenchmarkResult` du notebook comme modèle\n",
     "- Pour le WER, utilisez la fonction `word_error_rate()` déjà définie\n",
     "- Pour le cout, consultez les tarifs dans les tables du notebook\n",

diff --git a/MyIA.AI.Notebooks/GenAI/Audio/03-Orchestration/03-2-Audio-Pipeline-Orchestration.ipynb b/MyIA.AI.Notebooks/GenAI/Audio/03-Orchestration/03-2-Audio-Pipeline-Orchestration.ipynb
@@ -1406,7 +1406,7 @@
     "3. Tester avec 3 exemples : un texte FR, un texte EN, et un texte melange\n",
     "4. Comparer la qualite de traduction dans les deux directions\n",
     "\n",
-    "### Indices\n",
+    "> **Indices :**\n",
     "- `# Étape 1` : Une detection simple peut compter les mots francais courants (\"le\", \"la\", \"les\", \"de\", \"et\", \"un\", \"une\")\n",
     "- `# Étape 2` : Adapter le system prompt du LLM selon la langue detectee\n",
     "- `# Indice` : Pour le texte melange, le LLM peut gerer naturellement - mais le résultat sera imprevisible\n",
@@ -1934,7 +1934,7 @@
     "3. Proposer 3 ameliorations au prompt system du LLM pour obtenir de meilleurs scripts\n",
     "4. Comparer les scripts obtenus avec et sans ameliorations\n",
     "\n",
-    "### Indices\n",
+    "> **Indices :**\n",
     "- `# Étape 1` : Verifier que le script a bien 6 echanges, que les locuteurs alternent correctement\n",
     "- `# Étape 2` : Calculer la longueur moyenne des repliques (cible : 20-40 mots)\n",
     "- `# Indice` : Un bon prompt system precise le format de sortie, le ton, et les contraintes de longueur\n",
@@ -2535,7 +2535,7 @@
     "3. Tester avec au moins 2 questions différentes\n",
     "4. Comparer la latence totale vs utilite\n",
     "\n",
-    "### Indices\n",
+    "> **Indices :**\n",
     "- Reutilisez les classes `PipelineStep` et `PipelineResult` du notebook\n",
     "- Pour la gestion des erreurs, utilisez `retry_with_backoff()`\n",
     "- Mesurez le temps de chaque étape avec `time.time()`\n",

diff --git a/MyIA.AI.Notebooks/GenAI/Audio/03-Orchestration/03-3-Realtime-Voice-API.ipynb b/MyIA.AI.Notebooks/GenAI/Audio/03-Orchestration/03-3-Realtime-Voice-API.ipynb
@@ -1165,7 +1165,7 @@
     "3. Valider que le résultat correspond au format attendu (PCM16, 24kHz, mono)\n",
     "4. Tester avec différents fichiers audio (si disponibles) ou des données generees\n",
     "\n",
-    "### Indices\n",
+    "> **Indices :**\n",
     "- `# Étape 1` : Charger le fichier avec soundfile (WAV) et convertir en mono avec `data.mean(axis=1)` si stereo\n",
     "- `# Étape 2` : Resampler avec interpolation lineaire si le sample rate != 24000\n",
     "- `# Indice` : Normaliser le volume en divisant par `np.max(np.abs(data))` avant la conversion PCM16\n",
@@ -1497,7 +1497,7 @@
     "3. Implementer un suivi de consommation (minutes utilisees, cout cumule)\n",
     "4. Simuler un mois d'utilisation avec un mix de tâches interactives et batch\n",
     "\n",
-    "### Indices\n",
+    "> **Indices :**\n",
     "- `# Étape 1` : Définir les couts Realtime ($0.30/min) vs Pipeline ($0.01/min)\n",
     "- `# Étape 2` : Les tâches interactives (conversation) necessitent le Realtime, les tâches batch (transcription, podcast) utilisent le pipeline\n",
     "- `# Indice` : Suivre un compteur `minutes_used` et `cost_accumulated` dans la classe\n",
@@ -1848,7 +1848,7 @@
     "   - Affiche les reponses audio (simulees)\n",
     "4. Tester avec des scénarios necessitant des function calls\n",
     "\n",
-    "### Indices\n",
+    "> **Indices :**\n",
     "- Utilisez la bibliotheque `websockets` pour la connexion WebSocket\n",
     "- Structurez vos tools selon le schema JSON de l'API\n",
     "- Gerer les événements: `session.created`, `response.audio.delta`, `response.function_call_arguments.delta`\n",

diff --git a/MyIA.AI.Notebooks/GenAI/Audio/04-Applications/04-1-Educational-Audio-Content.ipynb b/MyIA.AI.Notebooks/GenAI/Audio/04-Applications/04-1-Educational-Audio-Content.ipynb
@@ -586,7 +586,7 @@
     "3. Tester avec un même texte source pour 2 niveaux différents\n",
     "4. Comparer les scripts obtenus (longueur, structure, vocabulaire)\n",
     "\n",
-    "### Indices\n",
+    "> **Indices :**\n",
     "- `# Étape 1` : Définir les paramètres de niveau (vocabulaire simple vs technique)\n",
     "- `# Étape 2` : Construire un prompt dynamique en fonction du niveau\n",
     "- `# Étape 3` : Appeler le LLM avec le prompt personnalise\n",
@@ -1955,7 +1955,7 @@
     "4. Retranscrire chaque audio via Whisper\n",
     "5. Comparer original vs retranscrit avec `SequenceMatcher`\n",
     "\n",
-    "### Indices\n",
+    "> **Indices :**\n",
     "- `# Étape 1` : Définir le texte source et le traduire via `client.chat.completions.create()`\n",
     "- `# Étape 2` : Utiliser `client.audio.speech.create()` pour generer l'audio dans chaque langue\n",
     "- `# Étape 3` : Sauvegarder les fichiers temporairement puis appeler `client.audio.transcriptions.create()`\n",
@@ -2374,7 +2374,7 @@
     "4. Appliquer les paramètres d'accessibilite (vitesse reduite)\n",
     "5. Assembler les modules en cours audio complet\n",
     "\n",
-    "### Indices\n",
+    "> **Indices :**\n",
     "- Utilisez la fonction `parse_narration_script()` pour structurer les voix\n",
     "- Pour la traduction, utilisez GPT avec un prompt de traduction pedagogique\n",
     "- Pour l'accessibilite, reduisez la vitesse a 0.85x\n",

diff --git a/MyIA.AI.Notebooks/GenAI/Audio/04-Applications/04-2-Transcription-Pipeline.ipynb b/MyIA.AI.Notebooks/GenAI/Audio/04-Applications/04-2-Transcription-Pipeline.ipynb
@@ -925,7 +925,7 @@
     "3. Gerer les erreurs avec retries et fallback\n",
     "4. Retourner un résultat structure avec statut et metadonnees\n",
     "\n",
-    "### Indices\n",
+    "> **Indices :**\n",
     "- `# Étape 1` : Verifier l'extension du fichier (.mp3, .wav, .flac, .m4a)\n",
     "- `# Étape 2` : Verifier la taille (max 25 MB pour l'API OpenAI)\n",
     "- `# Étape 3` : Appeler Whisper API avec `response_format=\"verbose_json\"` pour les timestamps\n",
@@ -1551,7 +1551,7 @@
     "4. Verifier qu'aucun sous-titre ne depasse 5 secondes\n",
     "5. Generer les formats SRT et VTT\n",
     "\n",
-    "### Indices\n",
+    "> **Indices :**\n",
     "- `# Étape 1` : Parcourir chaque segment et verifier sa longueur\n",
     "- `# Étape 2` : Trouver l'espace le plus proche du milieu pour couper une ligne longue\n",
     "- `# Étape 3` : Fusionner les segments adjacents de même locuteur si < 1s\n",
@@ -1908,7 +1908,7 @@
     "4. Parser la reponse JSON pour extraire les actions\n",
     "5. Afficher un tableau recapitulatif (Action, Responsable, Echeance)\n",
     "\n",
-    "### Indices\n",
+    "> **Indices :**\n",
     "- `# Étape 1` : Generer un audio avec TTS contenant au moins 3 phrases avec actions\n",
     "- `# Étape 2` : Sauvegarder le fichier et appeler `client.audio.transcriptions.create()`\n",
     "- `# Étape 3` : Prompt LLM : \"Extrais les actions en JSON avec champs action, responsable, echeance\"\n",
@@ -2187,7 +2187,7 @@
     "4. Optimiser les sous-titres (longueur des lignes, timing)\n",
     "5. Synchroniser et verifier la qualite\n",
     "\n",
-    "### Indices\n",
+    "> **Indices :**\n",
     "- Pour extraire l'audio video: utiliser `moviepy` ou `ffmpeg`\n",
     "- Pour la transcription: Whisper API avec `response_format=\"verbose_json\"`\n",
     "- Pour l'optimisation: limiter a 42 caractères par ligne, 2 lignes max\n",