Mistral: Voxtral Mini Transcribe

Voxtral Mini Transcribe 2 er Mistral AI's transskriptionsorienterede Voxtral-udgave, identificeret i producentens modelkort som voxtral-mini-2602. Den er udviklet til optagelsesbaseret batchtransskription frem for den bredere spørgsmål-og-svar-rolle i den oprindelige Voxtral Mini 3B-model. Inputtet er lyd, og resultatet er transskriberet tekst, eventuelt beriget med taleretiketter og tidsoplysninger. Praktiske anvendelser omfatter mødetransskriptioner, interviewanalyse, optegnelser over samtaler med flere deltagere og tekst synkroniseret med optagede medier.

Producenten dokumenterer taleropdeling og start-/sluttider, så en transskription kan vise, hvem der talte og hvornår. Tidsstempler på ordniveau understøtter undertekster, lydsøgning og sammenknytning af en tekstpassage med dens placering i en optagelse. Producentvejledningen tillader tidsstempler med segment- eller ordgranularitet. Til et interview er en nyttig artefakt en sekvens af talertilskrevne passager med tidsangivelser; til forberedelse af undertekster kan ord- eller segmenttider vejlede et senere underteksttrin frem for at tvinge tiderne til at blive udledt af ren transskriptionstekst.

Kontekstbaseret ordstyring accepterer op til 100 ord eller fraser, som leder modellen mod den tilsigtede stavning af navne, tekniske termer og domænespecifikt ordforråd. Mistral siger, at funktionen er optimeret til engelsk, og at understøttelse af andre sprog er eksperimentel. Forbered en fokuseret ordliste fra optagelsens emne frem for en uvedkommende ordliste. Et originalt eksempel ville give projektnavnene og de specialtermer, der sandsynligvis optræder i en teknisk diskussion, og derefter kontrollere stavemåderne i den færdige transskription.

Denne udgave understøtter tretten sprog: engelsk, kinesisk, hindi, spansk, arabisk, fransk, portugisisk, russisk, tysk, japansk, koreansk, italiensk og nederlandsk. Producenten dokumenterer også robusthed over for støj og optagelser på op til tre timer i én anmodning. Det tilhører Mini Transcribe 2's optagelsesarbejdsgang; den oprindelige 2507-lydforståelsesmodels kontekst- og varighedsangivelser beskriver en anden udgivelse. Automatisk sprogregistrering er tilgængelig, og vejledningen siger, at udtrykkelig angivelse af et kendt lydsprog kan forbedre transskriptionsnøjagtigheden.

I den dokumenterede producentarbejdsgang kan lyd leveres som en uploadet fil, en tidligere uploadet filidentifikator eller en refereret optagelse. Den ledsagende uploaddemonstration accepterer MP3-, WAV-, M4A-, FLAC- og OGG-optagelser; vælg et af disse formater til den demonstrerede uploadarbejdsgang. Hold optagelsen afkodelig, og medtag den relevante tale. Ved langt materiale skal du bevare dets identifikator og tidsmæssige udgangspunkt, så senere uddrag eller redigeringer stadig kan spores til kilden.

Transskriptionsreferencen returnerer tekst og registreret sprog med segmenter, når det ønskes, og dokumenterer særskilt streamede transskriptionshændelser. Taleropdeling er valgfri og har standardværdien false. Vejledningen bemærker, at timestamp_granularities og en udtrykkelig language-indstilling aktuelt ikke er kompatible, så vælg den ønskede tidsangivelsesarbejdsgang eller det manuelle sproghint frem for at kombinere dem. Talermærket transskription, ordforrådsstyring og tidsangivelser bør vælges efter det tilsigtede resultat frem for at blive antaget ud fra en grundlæggende anmodning.

Overlappende tale er en væsentlig begrænsning: Mistral siger, at modellen typisk transskriberer én taler, når talere overlapper. En mærket transskription bør derfor ikke behandles som en udtømmende optegnelse over alle samtidige ytringer. Til et mødereferat skal du gennemgå vanskelige overlap og vigtige navne eller tal mod optagelsen. Modellens formål er transskription; et resumé, en oversættelse eller en analyse kan være en særskilt opgave bygget på transskriptionen. Voxtral Realtime har en særskilt svartidsprofil for livetransskription, mens talegenerering tilhører andre modeller.

Forbered resultatet til dets næste brug. En mødearbejdsgang kan bevare transskription, taleretiketter og tidsangivelser, før en særskilt fase udtrækker beslutninger; en mediearbejdsgang kan bruge tidsangivelserne til at finde passager og udarbejde undertekster; en optagelse med mange fagtermer kan medtage den fokuserede kontekstordliste og en gennemgang af de resulterende stavemåder. Den nyttige leverance er tekst knyttet til sin kildeoptagelse og konfigurerede metadata, hvor denne nummererede transskriptionsudgave holdes adskilt fra den oprindelige Mini-model og løbende opdaterede latest-navne.