Mistral: Voxtral Mini 3B 2507

Voxtral Mini 1.0 3B 2507 er Mistral AI's kompakte model til tekst- og lydforståelse, bygget på sprogmodelfamilien Ministral 3B. Den tager imod taleoptagelser og tekstinstruktioner og producerer tekst, herunder transskriptioner, oversættelser, svar om lyden og strukturerede resuméer. Den oprindelige Voxtral-udgivelse retter denne 3B-model mod kompakte eller lokale applikationer sammen med den særskilte Voxtral Small-model på 24 milliarder parametre. Den er også adskilt fra den hostede, transskriptionsoptimerede Voxtral Mini Transcribe-tjeneste.

Modellen har en dedikeret transskriptionstilstand, som automatisk forudsiger kildesproget som standard og transskriberer derefter. Vælg tilstanden, når den krævede artefakt er den talte ordlyd. Lydforståelse tillader derimod et direkte spørgsmål eller en resuméanmodning til en optagelse uden at kræve en separat talegenkendelsesfase efterfulgt af en tekstmodel. Et interview kan dermed producere en fuld transskription, en oversættelse eller et svar på et afgrænset spørgsmål; angiv, hvilket resultat der kræves, så de forskellige opgaver ikke bliver én tvetydig opgavebeskrivelse.

Modelkortet for præcis denne udgivelse angiver en kontekst på 32K tokens og lyd op til 30 minutter til transskription eller 40 minutter til forståelse. Det er forskellige opgavespecifikke varighedsangivelser og ikke en fælles lydramme for enhver operation. Hold den relevante optagelse, instruktioner og samtale inden for det tilsigtede opgaveområde. Producentens navngivne sprog er engelsk, spansk, fransk, portugisisk, hindi, tysk, nederlandsk og italiensk med automatisk sprogregistrering. Til en oversættelse eller et svar skal du adskille optagelsens sprog fra det krævede outputsprog.

Flere lydinput i en besked og lyd på tværs af flere brugersamtaleture understøttes. Giv hver optagelse en klar identifikator ved sammenligninger. Et originalt eksempel kan sammenligne to talte forklaringer og returnere, hvilke krav der er ændret, med en særskilt kolonne til hver kilde. En opfølgning kan spørge til detaljen bag ét fund eller levere en anden optagelse. Modelkortet demonstrerer også brug kun med tekst og kun med lyd, så modellen kan arbejde med det skriftlige spørgsmål såvel som talens bevismateriale.

Til et mødereferat skal du give optagelsen og bede om en nyttig struktur såsom emner, angivne beslutninger og opfølgningshandlinger. Hold usikre navne, datoer eller ansvarsområder adskilt fra fakta, der tydeligt bliver sagt. Til et interview skal du bede om udsagnet, der besvarer et bestemt spørgsmål, og tilstrækkelig omgivende kontekst til at gøre det forståeligt. Det er opgavedesign til en anvendelig tekstartefakt; de gør ikke generel lydforståelse til en garanti for taleropdeling, ordtidsstempler eller identifikation af en unavngiven taler.

Producenten beskriver funktionskald fra talt hensigt. I en sådan arbejdsgang leverer applikationen funktionsdefinitioner, modellen foreslår det relevante kald og argumenter, og applikationen udfører det og returnerer observationen. En stemmeanmodning kan dermed styre et opslag eller en anden værktøjsassisteret opgave, men modellens foreslåede kald er forskelligt fra en udført handling. Bevar det faktiske returnerede resultat ved fortsættelse af samtalen, så et senere svar afspejler, hvad der skete, frem for hvad der blev anmodet om.

Det udgivne brugskort anbefaler temperature 0.0 til transskription og temperature 0.2 med top_p 0.95 til lydforståelse og chat. Det angiver, at systemprompter ikke understøttes i dette forløb, så placer opgaven og svarkravene i brugerinputtet. Eksemplerne afkoder optagelser til lydinput og omfatter MP3-materiale, men fastlægger ikke en udtømmende codec-liste eller en særskilt fast maksimal outputlængde. Genereringsindstillingen på 500 tokens i eksemplerne forbliver et eksempelbudget.

Forbered en tydelig optagelse med det materiale, der er relevant for opgaven, og angiv, om du har brug for oprindelig ordlyd, en oversættelse, et svar eller et resumé. Modelkortet demonstrerer også batchinferens med flere samtaler, et producentbrugsmønster adskilt fra identiteten af et enkelt resultat. Bevar 3B 2507-udgaven og dens varighedsvejledning for transskription kontra forståelse; den senere Mini Transcribe 2-models taleropdeling, 13-sprogsprofil og understøttelse af længere optagelser er særskilte producentfunktioner.