Mistral: Voxtral Mini 3B 2507

Voxtral Mini 1.0 3B 2507 ist das kompakte Text- und Audioverständnismodell von Mistral AI auf Grundlage 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 separaten Modell Voxtral Small mit 24 Milliarden Parametern. Es ist ausserdem vom gehosteten transkriptionsoptimierten Service Voxtral Mini Transcribe getrennt.

Das Modell besitzt einen eigenen Transkriptionsmodus, der standardmässig die Quellsprache 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 separate Spracherkennungsphase mit anschliessendem Textmodell zu verlangen. Ein Interview kann somit ein vollständiges Transkript, eine Übersetzung oder eine Antwort auf eine enge Frage liefern; spezifizieren Sie das benötigte Ergebnis, damit diese verschiedenen Aufgaben nicht zu einem mehrdeutigen Briefing werden.

Die konkrete Veröffentlichungskarte nennt einen Kontext von 32K Tokens und Audio bis zu 30 Minuten für Transkription oder 40 Minuten für Verständnis. Dies sind unterschiedliche aufgabenspezifische Dauerangaben und kein gemeinsames Audiokontingent für jeden Vorgang. Halten Sie relevante Aufnahme, Anweisungen und Gespräch im vorgesehenen Aufgabenrahmen. Die vom Hersteller benannten Sprachen sind Englisch, Spanisch, Französisch, Portugiesisch, Hindi, Deutsch, Niederländisch und Italienisch, mit automatischer Spracherkennung. Unterscheiden Sie für eine Übersetzung oder Antwort die Sprache der Aufnahme von der erforderlichen Ausgabesprache.

Mehrere Audioeingaben in einer Nachricht und Audio über mehrere Nutzerrunden hinweg werden unterstützt. Geben Sie jeder Aufnahme bei Vergleichsfragen eine klare Kennung. Ein eigenständiges Beispiel könnte zwei gesprochene Erklärungen vergleichen und zurückgeben, welche Anforderungen sich geändert haben, mit separater Spalte für jede Quelle. Eine Folgefrage kann das Detail hinter einer Erkenntnis verlangen oder eine weitere Aufnahme bereitstellen. Die Modellkarte demonstriert auch reine Text- und reine Audionutzung, sodass das Modell sowohl die schriftliche Frage als auch die Sprachbelege bearbeiten kann.

Stellen Sie für eine Besprechungszusammenfassung die Aufnahme bereit und fordern Sie eine nützliche Struktur wie Themen, genannte Entscheidungen und Folgehandlungen an. Halten Sie unsichere Namen, Daten oder Zuständigkeiten von klar ausgesprochenen Fakten getrennt. Fordern Sie bei einem Interview die Aussage an, die eine bestimmte Frage beantwortet, sowie ausreichend umgebenden Kontext zum Verständnis. Dies sind Aufgabengestaltungen für ein nutzbares Textartefakt; sie machen allgemeines Audioverständnis nicht zur Garantie von Sprechersegmentierung, Wortzeitstempeln oder der Identifikation einer unbenannten sprechenden Person.

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 gibt die Beobachtung zurück. Eine Sprachanfrage kann damit eine Abfrage oder eine andere werkzeuggestützte Aufgabe anleiten, aber der vorgeschlagene Modellaufruf unterscheidet sich von einer ausgeführten Handlung. Bewahren Sie bei der Gesprächsfortsetzung das tatsächlich zurückgegebene Ergebnis, damit eine spätere Antwort das Geschehene statt des Angeforderten widerspiegelt.

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

Bereiten Sie eine klare Aufnahme mit dem aufgabenrelevanten Material vor und spezifizieren Sie, ob Sie Originalwortlaut, eine Übersetzung, Antwort oder Zusammenfassung benötigen. Die Modellkarte demonstriert auch Stapelinferenz mit mehreren Gesprächen, ein Nutzungsmuster des Herstellers, das von der Identität eines einzelnen Ergebnisses getrennt ist. Bewahren Sie die 3B-Ausgabe 2507 und ihre Dauerhinweise für Transkription gegenüber Verständnis; Sprechersegmentierung, 13-Sprachen-Profil und Unterstützung längerer Aufnahmen des späteren Modells Mini Transcribe 2 sind separate Herstellerfunktionen.