Mistral: Voxtral Mini 3B 2507

Voxtral Mini 1.0 3B 2507 ist das kompakte Text- und Audioverständnismodell von Mistral AI auf Basis der Sprachmodellfamilie Ministral 3B. Es nimmt Sprachaufnahmen und Textanweisungen entgegen und erzeugt Text, darunter Transkripte, Übersetzungen, Antworten zum Audio und strukturierte Zusammenfassungen. Die ursprüngliche Voxtral-Veröffentlichung positioniert dieses 3B-Modell für kompakte oder lokale Anwendungen neben dem gesonderten 24B-Modell Voxtral Small. Es ist außerdem vom gehosteten, transkriptionsoptimierten Dienst Voxtral Mini Transcribe getrennt.

Das Modell hat einen eigenen Transkriptionsmodus, der standardmäßig die Ausgangssprache automatisch vorhersagt und entsprechend transkribiert. Wählen Sie diesen Modus, wenn das erforderliche Artefakt der gesprochene Wortlaut ist. Audioverständnis erlaubt dagegen eine direkte Frage oder Zusammenfassungsanfrage zu einer Aufnahme, ohne eine gesonderte Spracherkennungsphase mit anschließendem Textmodell zu verlangen. Ein Interview kann daher ein vollständiges Transkript, eine Übersetzung oder eine Antwort auf eine enge Frage liefern; geben Sie an, welches Ergebnis benötigt wird, damit diese unterschiedlichen Aufgaben nicht zu einem mehrdeutigen Briefing werden.

Die genaue Modellkarte der Veröffentlichung nennt einen Kontext von 32K Tokens und Audio bis zu 30 Minuten für Transkription oder 40 Minuten für Verständnis. Das sind unterschiedliche aufgabenspezifische Dauerangaben und kein gemeinsamer Audiorahmen für jede Operation. Halten Sie die relevante Aufnahme, Anweisungen und das Gespräch innerhalb des vorgesehenen Aufgabenrahmens. Die vom Hersteller genannten Sprachen sind Englisch, Spanisch, Französisch, Portugiesisch, Hindi, Deutsch, Niederländisch und Italienisch, mit automatischer Erkennung der Aufnahmesprache. Unterscheiden Sie bei einer Übersetzung oder Antwort zwischen Aufnahmesprache und erforderlicher Ausgabesprache.

Mehrere Audioeingaben in einer Nachricht und Audio über mehrere Nutzerrunden hinweg werden unterstützt. Geben Sie jeder Aufnahme eine klare Kennung, wenn Sie Vergleiche verlangen. Ein eigenständiges Beispiel könnte zwei gesprochene Erklärungen vergleichen und zurückgeben, welche Anforderungen sich geändert haben, mit einer eigenen Spalte für jede Quelle. Eine Folgefrage kann das Detail hinter einer Feststellung abfragen oder eine weitere Aufnahme bereitstellen. Die Modellkarte demonstriert auch reine Text- und reine Audionutzung, sodass das Modell sowohl mit der schriftlichen Frage als auch mit den Sprachbelegen arbeiten kann.

Stellen Sie für eine Besprechungszusammenfassung die Aufnahme bereit und verlangen Sie eine nützliche Struktur wie Themen, genannte Entscheidungen und Folgeaktionen. Halten Sie unsichere Namen, Daten oder Zuständigkeiten getrennt von klar gesprochenen Fakten. Verlangen Sie bei einem Interview die Aussage, die eine bestimmte Frage beantwortet, und genug umgebenden Kontext, um sie verständlich zu machen. Das sind Aufgabenentwürfe für ein nutzbares Textartefakt; sie machen allgemeines Audioverständnis nicht zu einer Garantie für Diarisierung, Wortzeitstempel oder die Identifikation eines unbenannten Sprechers.

Der Hersteller beschreibt Funktionsaufrufe aus gesprochener Absicht. In einem solchen Ablauf stellt die Anwendung Funktionsdefinitionen bereit, das Modell schlägt den relevanten Aufruf und die Argumente vor, und die Anwendung führt ihn aus und liefert die Beobachtung zurück. Eine Sprachanfrage kann daher eine Abfrage oder andere werkzeuggestützte Aufgabe anleiten, doch der vorgeschlagene Aufruf des Modells unterscheidet sich von einer ausgeführten Aktion. Bewahren Sie beim Fortsetzen des Gesprächs das tatsächlich zurückgegebene Ergebnis, damit eine spätere Antwort wiedergibt, was geschehen ist, statt dessen, was verlangt wurde.

Die veröffentlichte Nutzungskarte empfiehlt temperature 0.0 für Transkription und temperature 0.2 mit top_p 0.95 für Audioverständnis und Chat. Sie stellt fest, dass Systemprompts in diesem Ablauf nicht unterstützt werden; platzieren Sie daher Aufgabe und Antwortanforderungen in der Nutzereingabe. Ihre Beispiele dekodieren Aufnahmen zu Audioeingaben und enthalten MP3-Material, belegen aber weder eine vollständige Codec-Liste noch eine gesonderte harte maximale Ausgabelänge. Die Generierungseinstellung von 500 Tokens in den Beispielen bleibt ein Beispielbudget.

Bereiten Sie eine klare Aufnahme mit dem für die Aufgabe relevanten Material vor und legen Sie fest, ob Sie den ursprünglichen Wortlaut, eine Übersetzung, Antwort oder Zusammenfassung benötigen. Die Modellkarte demonstriert außerdem Stapelinferenz mit mehreren Gesprächen, ein Nutzungsmuster des Herstellers, das von der Identität eines einzelnen Ergebnisses getrennt ist. Bewahren Sie die Ausgabe 3B 2507 und ihre Dauerhinweise für Transkription gegenüber Verständnis; Diarisierung, das Profil mit 13 Sprachen und die Unterstützung längerer Aufnahmen des späteren Modells Mini Transcribe 2 sind gesonderte Herstellerfunktionen.