Mistral: Voxtral Mini 3B 2507

Voxtral Mini 1.0 3B 2507 je kompaktní model Mistral AI pro porozumění textu a zvuku postavený na rodině jazykových modelů Ministral 3B. Přijímá nahrávky řeči a textové pokyny a vytváří text, včetně přepisů, překladů, odpovědí k audiozáznamu a strukturovaných shrnutí. Původní vydání Voxtral určuje tento model 3B pro kompaktní nebo lokální aplikace vedle samostatného modelu Voxtral Small 24B. Liší se také od hostované služby Voxtral Mini Transcribe optimalizované pro přepis.

Model má vyhrazený režim přepisu, který ve výchozím stavu automaticky předpovídá zdrojový jazyk a podle něj přepisuje. Tento režim zvolte, pokud je požadovaným artefaktem mluvené znění. Porozumění zvuku naproti tomu umožňuje přímou otázku nebo žádost o shrnutí nahrávky bez potřeby samostatné fáze rozpoznávání řeči následované textovým modelem. Rozhovor tak může vytvořit úplný přepis, překlad nebo odpověď na úzce vymezenou otázku; určete potřebný výsledek, aby se tyto odlišné úlohy nestaly jedním nejednoznačným zadáním.

Karta přesného vydání uvádí kontext 32 tisíc tokenů a zvuk do 30 minut pro přepis nebo 40 minut pro porozumění. Jde o odlišné údaje o délce pro konkrétní úlohy, nikoli společný zvukový limit pro každou operaci. Relevantní nahrávku, pokyny a konverzaci udržujte v rozsahu zamýšlené úlohy. Výrobcem jmenované jazyky jsou angličtina, španělština, francouzština, portugalština, hindština, němčina, nizozemština a italština s automatickou detekcí jazyka. U překladu nebo odpovědi odlišujte jazyk nahrávky od požadovaného jazyka výstupu.

Podporováno je několik zvukových vstupů ve zprávě i zvuk napříč více uživatelskými koly. Při žádosti o srovnání dejte každé nahrávce jasný identifikátor. Vlastní příklad může porovnat dvě mluvená vysvětlení a vrátit, které požadavky se změnily, se samostatným sloupcem pro každý zdroj. Navazující dotaz může žádat detail za jedním zjištěním nebo dodat další nahrávku. Karta ukazuje také čistě textové a čistě zvukové použití a umožňuje modelu pracovat s písemnou otázkou i podklady z řeči.

Pro shrnutí schůzky dodejte nahrávku a požadujte užitečnou strukturu, například témata, uvedená rozhodnutí a navazující akce. Nejistá jména, data nebo odpovědnosti oddělujte od faktů, které jasně zazněly. U rozhovoru požadujte tvrzení odpovídající na konkrétní otázku a dostatek okolního kontextu, aby bylo srozumitelné. Jde o návrhy úloh pro použitelný textový artefakt; nemění obecné porozumění zvuku v záruku diarizace, časových značek slov nebo identifikace nepojmenovaného mluvčího.

Výrobce popisuje volání funkcí z mluveného záměru. V takovém postupu aplikace dodává definice funkcí, model navrhuje relevantní volání a argumenty a aplikace je provádí a vrací pozorování. Hlasový požadavek tak může vést vyhledání nebo jinou úlohu s podporou nástrojů, ale navržené volání modelu se liší od provedené akce. Při pokračování konverzace zachovejte skutečně vrácený výsledek, aby pozdější odpověď odrážela to, co se stalo, místo toho, co bylo požadováno.

Vydaná karta použití doporučuje teplotu 0.0 pro přepis a teplotu 0.2 s top_p 0.95 pro porozumění zvuku a konverzaci. Uvádí, že v tomto postupu nejsou podporovány systémové prompty, proto úlohu a požadavky na odpověď vložte do uživatelského vstupu. Příklady dekódují nahrávky do zvukových vstupů a zahrnují materiál MP3, ale nestanovují vyčerpávající seznam kodeků ani samostatnou pevnou maximální délku výstupu. Nastavení generování 500 tokenů v příkladech zůstává ukázkovým rozpočtem.

Připravte čistou nahrávku obsahující materiály relevantní pro úlohu a určete, zda potřebujete původní znění, překlad, odpověď nebo shrnutí. Karta ukazuje také dávkovou inferenci s několika konverzacemi, což je způsob použití výrobce samostatný vůči identitě jednotlivého výsledku. Zachovejte edici 3B 2507 a její pokyny k délce přepisu oproti porozumění; diarizace, jazykové pokrytí 13 jazyků a podpora delších nahrávek pozdějšího modelu Mini Transcribe 2 jsou samostatnými funkcemi výrobce.