Mistral: Voxtral Small 24B 2507 STT

Voxtral Small 1.0 24B 2507 přidává zvukový vstup a porozumění řeči k jazykovému základu Mistral Small. Přijímá zvuk a text a vrací text, včetně přepisu, odpovědi k nahrávce, překladu nebo strukturovaného shrnutí. Jde o pojmenovanou edici 24B pro porozumění řeči, odlišnou od Voxtral Mini, variant služby optimalizovaných pro přepis a pozdějších vydání Voxtral pro generování řeči nebo práci v reálném čase.

Přepis a porozumění zvuku

Model má vyhrazený režim čistého přepisu. Výrobce uvádí, že ve výchozím stavu automaticky předpovídá jazyk zdrojového zvuku a podle něj přepisuje. Tento režim použijte, pokud je požadovaným artefaktem samotné mluvené znění místo výkladu nebo shrnutí. Určete, zda má výsledek zachovat původní jazyk, nebo po něm následovat samostatně požadovaný překlad.

Porozumění zvuku umožňuje položit otázku přímo k nahrávce bez předchozího řetězení samostatného modelu rozpoznávání řeči a textového modelu. Požadavek se může ptát, které téma se probíralo, jaké rozhodnutí zaznělo nebo které informace v nahrávce odpovídají na konkrétní otázku. Výsledkem může být stručná odpověď nebo uspořádané shrnutí místo úplného přepisu každého vysloveného slova.

Pro shrnutí schůzky dodejte nahrávku a definujte pole k vrácení: témata, výslovně uvedená rozhodnutí a navazující akce. Jména nebo data požadujte jen tehdy, když v nahrávce skutečně zaznějí, a nevyřešené detaily oddělujte od rozhodnutí. U rozhovoru požadujte odpověď na konkrétní otázku a okolní kontext, který ji činí srozumitelnou. Tyto návrhy výstupu propojují zvukovou úlohu s dokumentem, který může někdo později použít.

Kontext, délka a jazyky

Výrobce dokumentuje kontext 32 tisíc tokenů a zvuk do 30 minut pro přepis nebo 40 minut pro porozumění. Tyto dva údaje o délce mají odlišný rozsah úloh. Než vyberete nahrávku, zvolte požadovanou operaci a při plánování dostupného kontextu zahrňte textový pokyn a konverzaci. Dlouhá nahrávka i dlouhá písemná odpověď spotřebovávají prostředky; údaj o délce není samostatným příslibem neomezené délky odpovědi.

Vydání mezi hlavními podporovanými jazyky jmenuje angličtinu, španělštinu, francouzštinu, portugalštinu, hindštinu, němčinu, nizozemštinu a italštinu a poskytuje automatickou detekci jazyka. Pro překlad řeči nastavte cílový jazyk a termíny, které mají zachovat původní podobu. U otázky k audiozáznamu v jednom jazyce odlišujte jazyk nahrávky od jazyka, v němž má být odpověď napsána.

Více nahrávek a navazující otázky

Karta podporuje několik zvukových vstupů ve zprávě a zvuk ve více uživatelských kolech. Při srovnávání dejte každé nahrávce identifikátor a uveďte její roli. Praktický požadavek může porovnat dvě verze mluveného vysvětlení, ptát se, které podmínky se změnily, a vrátit tabulku se samostatným sloupcem pro každou nahrávku. Identifikátory pomáhají propojit zjištění modelu se správným zdrojem.

Navazující dotaz může zachovat předchozí otázku a odpověď a současně žádat užší detail nebo dodat další nahrávku. Například nejprve požadujte rozhodnutí z diskuse a poté se zeptejte, které rozhodnutí se vztahuje ke konkrétnímu požadavku. Stejné vydání ukazuje také čistě textové a čistě zvukové požadavky. Jeho textový základ může pracovat s písemnou otázkou nebo výsledkem, zatímco zvuková schopnost poskytuje podklady z řeči.

Funkce řízené hlasem

Výrobce popisuje volání funkcí z mluveného záměru a příklad volání funkcí ve vydané kartě označuje za experimentální podporu. V tomto postupu aplikace definuje funkci a její argumenty, model připraví volání z požadavku a aplikace je provede a dodá výsledek. Hlasové vyhledání tak může vrátit písemnou odpověď využívající informace z připojeného nástroje. Volání funkcí neznamená, že model automaticky ovládá externí službu nebo provádí akci pouhým pojmenováním.

Účel funkce a potřebné informace ponechte výslovné. Pokud nahrávka žádá operaci, ale vynechává povinnou hodnotu, aplikace tuto hodnotu k provedení funkce stále potřebuje. Oddělte mluvený požadavek, navržené argumenty a vrácený výsledek, aby další odpověď mohla odkazovat na skutečný výsledek operace.

Doporučená nastavení a užitečná vymezení

Pro porozumění zvuku a konverzační dokončování karta doporučuje teplotu 0.2 a top-p 0.95. Pro přepis doporučuje teplotu 0.0. Výslovně uvádí, že v tomto vydaném postupu použití nejsou podporovány systémové prompty, proto úlohu a požadavky na odpověď umístěte do uživatelského vstupu místo přenosu konvence systémového promptu z jiného modelu Mistral.

Vyberte nahrávku obsahující materiály relevantní pro otázku, ponechte mluvenou řeč dobře slyšitelnou a určete, zda má být výsledkem přepis, překlad, odpověď nebo shrnutí. Zdokumentovaným výstupem je text. Pro mluvenou odpověď je potřeba komponenta pro převod textu na řeč. Z obecně deklarovaného porozumění zvuku nelze u tohoto konkrétního vydání vyvozovat podporu identifikace mluvčích, podrobné diarizace ani časových značek na úrovni slov.

Příklady generování 500 tokenů v kartě jsou ukázková nastavení, nikoli samostatně uvedená maximální výstupní kapacita. Při přípravě opakovatelného postupu zachovejte edici 2507, pokyny k délce pro konkrétní úlohu a vstupní jazyk. Užitečným konečným artefaktem je požadovaný text propojený s nahrávkou a formátovaný pro další dokumentový nebo aplikační krok.