Mistral: Voxtral Mini Transcribe

Voxtral Mini Transcribe 2 ist die auf Transkription konzentrierte Voxtral-Ausgabe von Mistral AI, die in der Modellkarte des Herstellers als voxtral-mini-2602 bezeichnet wird. Sie ist für aufnahmebasierte Stapeltranskription ausgelegt statt für die breitere Rolle der Fragenbeantwortung des ursprünglichen Modells Voxtral Mini 3B. Die Eingabe ist Audio und das Ergebnis transkribierter Text, optional ergänzt um Sprecherkennzeichnungen und Zeitangaben. Praktische Anwendungen sind Besprechungstranskripte, Interviewanalyse, Aufzeichnungen von Gesprächen mit mehreren Beteiligten und Text mit zeitlicher Zuordnung zu aufgenommenen Medien.

Der Hersteller dokumentiert Sprecherdiarisierung und Anfangs-/Endzeiten, damit ein Transkript zeigen kann, wer wann gesprochen hat. Zeitstempel auf Wortebene unterstützen Untertitel, Audiosuche und die Zuordnung einer Textpassage zu ihrer Position in einer Aufnahme. Die Herstelleranleitung erlaubt Zeitstempelgranularität auf Segment- oder Wortebene. Für ein Interview ist eine Folge zugeordneter Passagen mit Zeitangaben ein nützliches Artefakt; bei der Untertitelvorbereitung können Wort- oder Segmentzeiten als Grundlage für eine spätere Untertitelung dienen, statt diese Zeiten aus reinem Transkripttext erschließen zu müssen.

Kontextbezogene Vokabularvorgaben akzeptieren bis zu 100 Wörter oder Phrasen, die das Modell zur beabsichtigten Schreibweise von Namen, Fachbegriffen und domänenspezifischem Vokabular lenken. Mistral gibt an, dass diese Funktion für Englisch optimiert und die Unterstützung anderer Sprachen experimentell ist. Bereiten Sie eine gezielte Vokabularliste zum Thema der Aufnahme vor statt eines sachfremden Glossars. Ein eigenständiges Beispiel wäre, Projektnamen und Fachbegriffe anzugeben, die wahrscheinlich in einer technischen Diskussion vorkommen, und diese Schreibweisen anschließend im fertigen Transkript zu prüfen.

Diese Ausgabe unterstützt dreizehn Sprachen: Englisch, Chinesisch, Hindi, Spanisch, Arabisch, Französisch, Portugiesisch, Russisch, Deutsch, Japanisch, Koreanisch, Italienisch und Niederländisch. Der Hersteller dokumentiert außerdem Robustheit gegenüber Störgeräuschen und Aufnahmen bis zu drei Stunden in einer einzigen Anfrage. Das gehört zum Aufnahmeablauf von Mini Transcribe 2; die Kontext- und Dauerangaben des ursprünglichen Audioverständnismodells 2507 beschreiben eine andere Veröffentlichung. Die automatische Erkennung der Aufnahmesprache ist verfügbar, und die Anleitung sagt, dass die ausdrückliche Angabe einer bekannten Audiosprache die Transkriptionsgenauigkeit verbessern kann.

Im dokumentierten Herstellerablauf kann Audio als hochgeladene Datei, als Kennung einer zuvor hochgeladenen Datei oder als referenzierte Aufnahme bereitgestellt werden. Die begleitende Upload-Demonstration akzeptiert Aufnahmen in MP3, WAV, M4A, FLAC und OGG; wählen Sie eines dieser Formate für den demonstrierten Upload-Ablauf. Halten Sie die Aufnahme dekodierbar und beziehen Sie die relevanten gesprochenen Inhalte ein. Bewahren Sie bei langem Material die Kennung und den zeitlichen Ursprung, damit spätere Ausschnitte oder Bearbeitungen weiter auf die Quelle zurückgeführt werden können.

Die Transkriptionsreferenz gibt den Text und die erkannte Sprache zurück, bei Anforderung auch Segmente, und dokumentiert gesondert gestreamte Transkriptionsereignisse. Diarisierung ist optional und hat standardmäßig den Wert false. Die Anleitung weist darauf hin, dass timestamp_granularities und eine ausdrückliche language-Einstellung derzeit nicht kompatibel sind. Wählen Sie daher den gewünschten Ablauf mit Zeitangaben oder den manuellen Sprachhinweis, statt sie zu kombinieren. Sprechergekennzeichnete Transkription, Vokabularvorgaben und Zeitangaben sollten nach dem beabsichtigten Ergebnis ausgewählt und nicht bei einer einfachen Anfrage vorausgesetzt werden.

Gleichzeitiges Sprechen ist eine wesentliche Einschränkung: Mistral gibt an, dass das Modell bei gleichzeitig sprechenden Personen typischerweise nur eine Person transkribiert. Ein gekennzeichnetes Transkript sollte daher nicht als vollständige Aufzeichnung jeder gleichzeitigen Äußerung behandelt werden. Prüfen Sie bei einem Besprechungsprotokoll schwierige Überlappungen und wichtige Namen oder Zahlen anhand der Aufnahme. Der Modellzweck ist Transkription; Zusammenfassung, Übersetzung oder Analyse kann eine gesonderte, auf diesem Transkript aufbauende Aufgabe sein. Voxtral Realtime hat ein eigenes Latenzprofil für Live-Transkription, während Spracherzeugung zu anderen Modellen gehört.

Bereiten Sie das Ergebnis für seine nächste Verwendung vor. Ein Besprechungsablauf kann Transkript, Sprecherkennzeichnungen und Zeitangaben bewahren, bevor eine gesonderte Phase Entscheidungen extrahiert; ein Medienablauf kann anhand der Zeitangaben Passagen auffinden und Untertitel entwerfen; eine Aufnahme mit vielen Fachbegriffen kann die gezielte Kontextvokabularliste und eine Prüfung der entstehenden Schreibweisen enthalten. Das nützliche Ergebnis ist Text, der mit seiner Quellaufnahme und den konfigurierten Metadaten verbunden ist; diese nummerierte Transkriptionsausgabe bleibt dabei vom ursprünglichen Mini-Modell und von fortlaufend aktualisierten latest-Namen getrennt.