Mistral: Voxtral Small 24B 2507 STT

Voxtral Small 1.0 24B 2507 tilføjer lydinput og taleforståelse til en Mistral Small-sprogmodel som grundlag. Den tager imod lyd og tekst og returnerer tekst, herunder en transskription, et svar om optagelsen, en oversættelse eller et struktureret resumé. Det er den navngivne 24B-udgave til taleforståelse, adskilt fra Voxtral Mini, transskriptionsoptimerede tjenestevarianter og senere Voxtral-udgivelser til talegenerering eller realtid.

Transskription og lydforståelse

Modellen har en dedikeret tilstand til ren transskription. Producenten angiver, at den som standard automatisk forudsiger kildelydens sprog og transskriberer derefter. Brug denne tilstand, når den ønskede artefakt er selve den talte ordlyd frem for en fortolkning eller et resumé. Identificer, om resultatet skal bevare originalsproget eller efterfølges af en særskilt ønsket oversættelse.

Lydforståelse gør det muligt at stille et spørgsmål direkte til en optagelse uden først at kæde en separat talegenkendelsesmodel og tekstmodel sammen. En anmodning kan spørge, hvilket emne der blev diskuteret, hvilken beslutning der blev angivet, eller hvilke oplysninger i optagelsen der besvarer et bestemt spørgsmål. Resultatet kan være et kort svar eller et organiseret resumé frem for en fuld transskription af hvert talt ord.

Til et mødereferat skal du give optagelsen og definere de felter, der skal returneres: emner, udtrykkeligt angivne beslutninger og opfølgningshandlinger. Bed kun om navne eller datoer, når optagelsen faktisk angiver dem, og hold uafklarede detaljer adskilt fra beslutningerne. Til et interview skal du bede om svaret på et konkret spørgsmål og den omgivende kontekst, der gør det forståeligt. Disse outputdesign forbinder lydopgaven med et dokument, nogen kan bruge bagefter.

Kontekst, varighed og sprog

Producenten dokumenterer en kontekst på 32k tokens og lyd op til 30 minutter til transskription eller 40 minutter til forståelse. De to varighedstal har forskellige opgaveområder. Vælg den ønskede operation, før du vælger optagelsen, og medtag tekstinstruktion og samtale ved planlægning af den tilgængelige kontekst. En lang optagelse og et langt skriftligt svar bruger begge ressourcer; varighedsangivelsen er ikke et særskilt løfte om ubegrænset svarlængde.

Udgivelsen identificerer engelsk, spansk, fransk, portugisisk, hindi, tysk, nederlandsk og italiensk blandt de primært understøttede sprog og tilbyder automatisk sprogregistrering. Til taleoversættelse skal du fastlægge målsproget og eventuelle termer, der skal bevare deres oprindelige form. Til et spørgsmål om lyd på ét sprog skal du adskille optagelsens sprog fra det sprog, svaret skal skrives på.

Flere optagelser og opfølgningsspørgsmål

Modelkortet understøtter flere lydinput i en besked og lyd i flere brugersamtaleture. Giv hver optagelse en identifikator, og angiv dens rolle, når de sammenlignes. En praktisk anmodning kan sammenligne to versioner af en talt forklaring, spørge, hvilke betingelser der blev ændret, og returnere en tabel med en særskilt kolonne til hver optagelse. Identifikatorer hjælper med at holde modellens fund knyttet til den rette kilde.

En opfølgning kan bevare det tidligere spørgsmål og svar, mens den spørger til en mere afgrænset detalje eller giver en anden optagelse. Bed for eksempel først om beslutningerne fra en diskussion og derefter om, hvilken beslutning der vedrører et bestemt krav. Samme udgivelse demonstrerer også anmodninger kun med tekst og kun med lyd. Dens tekstgrundlag kan arbejde med det skriftlige spørgsmål eller resultat, mens lydfunktionen leverer bevismateriale fra tale.

Stemmestyrede funktioner

Producenten beskriver funktionskald fra talt hensigt og betegner det udgivne modelkorts funktionskaldseksempel som eksperimentel understøttelse. I denne arbejdsgang definerer applikationen en funktion og dens argumenter, modellen forbereder et kald fra anmodningen, og applikationen udfører det og leverer resultatet. Et stemmebaseret opslag kan dermed returnere et skriftligt svar med oplysninger fra et tilsluttet værktøj. Funktionskald betyder ikke, at modellen automatisk ejer den eksterne tjeneste eller udfører en handling blot ved at navngive den.

Hold funktionens formål og de krævede oplysninger udtrykkelige. Hvis optagelsen beder om en operation, men udelader en nødvendig værdi, behøver applikationen stadig den værdi for at udføre funktionen. Adskil den talte anmodning, foreslåede argumenter og det returnerede resultat, så næste svar kan henvise til operationens faktiske udfald.

Anbefalede indstillinger og nyttige afgrænsninger

Til lydforståelse og chatfuldførelse anbefaler modelkortet temperature 0.2 og top-p 0.95. Til transskription anbefaler det temperature 0.0. Det angiver udtrykkeligt, at systemprompter ikke understøttes i dette udgivne brugsforløb, så placer opgaven og svarkravene i brugerinputtet frem for at overføre en systempromptkonvention fra en anden Mistral-model.

Vælg en optagelse med det materiale, der er relevant for spørgsmålet, hold hørbar tale tydelig, og angiv, om resultatet skal være en transskription, oversættelse, et svar eller et resumé. Det dokumenterede output er tekst. Et talt svar kræver en tekst-til-tale-komponent, og taleridentifikation, detaljeret taleropdeling eller tidsstempler på ordniveau bør ikke udledes af den generelle påstand om lydforståelse for præcis denne udgivelse.

Modelkortets genereringseksempler på 500 tokens er eksempelindstillinger og ikke en særskilt angivet maksimal outputkapacitet. Bevar 2507-udgaven, den opgavespecifikke varighedsvejledning og inputsproget ved forberedelse af en gentagelig arbejdsgang. Den nyttige endelige artefakt er den ønskede tekst, knyttet til optagelsen og formateret til næste dokument- eller applikationstrin.