Mistral: Voxtral Small 24B 2507 STT

Voxtral Small 1.0 24B 2507 ergänzt das Sprachmodell-Fundament von Mistral Small um Audioeingabe und Sprachverständnis. Es nimmt Audio und Text entgegen und gibt Text zurück, darunter ein Transkript, eine Antwort zur Aufnahme, eine Übersetzung oder eine strukturierte Zusammenfassung. Dies ist die benannte Ausgabe für Sprachverständnis mit 24B, getrennt von Voxtral Mini, transkriptionsoptimierten Dienstvarianten und späteren Voxtral-Veröffentlichungen für Spracherzeugung oder Echtzeitverarbeitung.

Transkription und Audioverständnis

Das Modell hat einen eigenen reinen Transkriptionsmodus. Der Hersteller gibt an, dass es standardmäßig die Sprache des Quellaudios automatisch vorhersagt und entsprechend transkribiert. Verwenden Sie diesen Modus, wenn das gewünschte Artefakt der gesprochene Wortlaut selbst ist und keine Interpretation oder Zusammenfassung. Benennen Sie, ob das Ergebnis die Originalsprache bewahren oder von einer gesondert verlangten Übersetzung gefolgt werden soll.

Audioverständnis ermöglicht es, direkt eine Frage zu einer Aufnahme zu stellen, ohne zuerst ein separates Spracherkennungsmodell und ein Textmodell zu verketten. Eine Anfrage kann fragen, welches Thema besprochen wurde, welche Entscheidung genannt wurde oder welche Information in der Aufnahme eine bestimmte Frage beantwortet. Das Ergebnis kann eine knappe Antwort oder eine geordnete Zusammenfassung sein statt eines vollständigen Transkripts jedes gesprochenen Wortes.

Stellen Sie für eine Besprechungszusammenfassung die Aufnahme bereit und definieren Sie die zurückzugebenden Felder: Themen, ausdrücklich genannte Entscheidungen und Folgeaktionen. Verlangen Sie Namen oder Daten nur dann, wenn die Aufnahme sie tatsächlich nennt, und halten Sie ungeklärte Details von Entscheidungen getrennt. Verlangen Sie bei einem Interview die Antwort auf eine bestimmte Frage und den umgebenden Kontext, der sie verständlich macht. Diese Ausgabeentwürfe verbinden die Audioaufgabe mit einem Dokument, das anschließend genutzt werden kann.

Kontext, Dauer und Sprachen

Der Hersteller dokumentiert einen Kontext von 32k Tokens und Audio bis zu 30 Minuten für Transkription beziehungsweise 40 Minuten für Verständnis. Die beiden Dauerangaben haben unterschiedliche Aufgabenbereiche. Wählen Sie die gewünschte Operation, bevor Sie die Aufnahme auswählen, und berücksichtigen Sie Textanweisung und Gespräch bei der Planung des verfügbaren Kontexts. Eine lange Aufnahme und eine lange schriftliche Antwort verbrauchen beide Ressourcen; die Dauerangabe ist keine gesonderte Zusage einer unbegrenzten Antwortlänge.

Die Veröffentlichung nennt Englisch, Spanisch, Französisch, Portugiesisch, Hindi, Deutsch, Niederländisch und Italienisch als wichtige unterstützte Sprachen und bietet eine automatische Erkennung der Aufnahmesprache. Legen Sie für Sprachübersetzung die Zielsprache und Begriffe fest, die ihre ursprüngliche Form behalten sollen. Unterscheiden Sie bei einer Frage zu Audio in einer bestimmten Sprache zwischen der Aufnahmesprache und der Sprache, in der die Antwort geschrieben werden soll.

Mehrere Aufnahmen und Folgefragen

Die Modellkarte unterstützt mehrere Audioeingaben in einer Nachricht und Audio in mehreren Nutzerrunden. Geben Sie beim Vergleich jeder Aufnahme eine Kennung und nennen Sie ihre Rolle. Eine praktische Anfrage könnte zwei Versionen einer gesprochenen Erklärung vergleichen, fragen, welche Bedingungen sich geändert haben, und eine Tabelle mit einer eigenen Spalte für jede Aufnahme zurückgeben. Kennungen helfen, die Feststellungen des Modells der richtigen Quelle zugeordnet zu halten.

Eine Folgefrage kann die vorherige Frage und Antwort bewahren und gleichzeitig ein engeres Detail abfragen oder eine weitere Aufnahme bereitstellen. Fragen Sie beispielsweise zuerst nach den Entscheidungen einer Diskussion und danach, welche Entscheidung eine bestimmte Anforderung betrifft. Dieselbe Veröffentlichung demonstriert auch reine Text- und reine Audioanfragen. Ihr Textfundament kann an der schriftlichen Frage oder am Ergebnis arbeiten, während die Audiofähigkeit Belege aus gesprochener Sprache liefert.

Sprachgesteuerte Funktionen

Der Hersteller beschreibt Funktionsaufrufe aus gesprochener Absicht und kennzeichnet das Funktionsaufrufbeispiel der veröffentlichten Modellkarte als experimentelle Unterstützung. In diesem Ablauf definiert die Anwendung eine Funktion und ihre Argumente, das Modell bereitet aus der Anfrage einen Aufruf vor, und die Anwendung führt ihn aus und liefert das Ergebnis. Eine sprachbasierte Abfrage kann daher eine schriftliche Antwort mit Informationen aus einem verbundenen Werkzeug liefern. Funktionsaufrufe bedeuten nicht, dass das Modell automatisch über den externen Dienst verfügt oder allein durch das Nennen einer Aktion diese ausführt.

Halten Sie Funktionszweck und erforderliche Informationen ausdrücklich fest. Verlangt die Aufnahme eine Operation, lässt aber einen Pflichtwert aus, benötigt die Anwendung diesen Wert weiterhin zur Ausführung der Funktion. Trennen Sie gesprochene Anfrage, vorgeschlagene Argumente und zurückgegebenes Ergebnis, damit die nächste Antwort auf den tatsächlichen Ausgang der Operation verweisen kann.

Empfohlene Einstellungen und nützliche Grenzen

Für Audioverständnis und Chatvervollständigung empfiehlt die Modellkarte temperature 0.2 und top-p 0.95. Für Transkription empfiehlt sie temperature 0.0. Sie stellt ausdrücklich fest, dass Systemprompts in diesem veröffentlichten Nutzungsablauf nicht unterstützt werden. Platzieren Sie daher Aufgabe und Antwortanforderungen in der Nutzereingabe, statt eine Systemprompt-Konvention eines anderen Mistral-Modells zu übertragen.

Wählen Sie eine Aufnahme mit dem für die Frage relevanten Material, halten Sie hörbare Sprache klar und legen Sie fest, ob das Ergebnis ein Transkript, eine Übersetzung, Antwort oder Zusammenfassung sein soll. Die dokumentierte Ausgabe ist Text. Eine gesprochene Antwort benötigt eine Text-to-Speech-Komponente; Sprecheridentifikation, detaillierte Diarisierung oder Zeitstempel auf Wortebene sollten aus der allgemeinen Audioverständnis-Aussage für diese genaue Veröffentlichung nicht abgeleitet werden.

Die Generierungsbeispiele mit 500 Tokens in der Modellkarte sind Beispieleinstellungen und keine gesondert angegebene maximale Ausgabekapazität. Bewahren Sie die Ausgabe 2507, die aufgabenspezifischen Dauerhinweise und die Eingabesprache, wenn Sie einen wiederholbaren Ablauf vorbereiten. Das nützliche abschließende Artefakt ist der gewünschte Text, verbunden mit der Aufnahme und für den nächsten Dokument- oder Anwendungsschritt formatiert.