Mistral: Voxtral Mini Transcribe

Voxtral Mini Transcribe 2 ist die auf Transkription ausgerichtete Voxtral-Ausgabe von Mistral AI, in der Modellkarte des Herstellers als voxtral-mini-2602 bezeichnet. Sie ist für aufnahmebasierte Stapeltranskription statt der umfassenderen Frage-Antwort-Rolle des ursprünglichen Modells Voxtral Mini 3B entwickelt. Die Eingabe ist Audio und das Ergebnis transkribierter Text, optional ergänzt um Sprecherbezeichnungen und Zeitangaben. Praktische Anwendungen umfassen Besprechungstranskripte, Interviewanalysen, Gesprächsaufzeichnungen mit mehreren Beteiligten und mit aufgenommenen Medien zeitlich abgeglichenen Text.

Der Hersteller dokumentiert Sprechersegmentierung und Start-/Endzeiten, sodass ein Transkript zeigen kann, wer wann gesprochen hat. Wortzeitstempel unterstützen Untertitel, Audiosuche und die Zuordnung einer Textpassage zu ihrer Position in einer Aufnahme. Die Herstelleranleitung erlaubt Zeitstempel auf Segment- oder Wortebene. Für ein Interview ist eine Folge zugeordneter Passagen mit Zeitangaben ein nützliches Artefakt; bei der Untertitelvorbereitung können Wort- oder Segmentzeiten einen späteren Schritt zur Untertitelung anleiten, statt diese Zeiten aus reinem Transkripttext erschliessen zu müssen.

Kontextbeeinflussung akzeptiert bis zu 100 Wörter oder Wortgruppen, die das Modell zur beabsichtigten Schreibweise von Namen, Fachbegriffen und domänenspezifischem Vokabular hinführen. Mistral erklärt, dass diese Funktion für Englisch optimiert und die Unterstützung anderer Sprachen experimentell ist. Bereiten Sie eine gezielte Vokabularliste zum Thema der Aufnahme statt eines sachfremden Glossars vor. Ein eigenständiges Beispiel würde die wahrscheinlich in einer technischen Diskussion vorkommenden Projektnamen und Fachbegriffe bereitstellen und anschliessend deren Schreibweisen im fertigen Transkript 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. Dies gehört zum Aufnahmeablauf von Mini Transcribe 2; Kontext- und Dauerangaben des ursprünglichen Audioverständnismodells 2507 beschreiben eine andere Veröffentlichung. Automatische Spracherkennung ist verfügbar, und laut Anleitung kann eine ausdrücklich angegebene bekannte Audiosprache die Transkriptionsgenauigkeit verbessern.

Im dokumentierten Herstellerablauf kann Audio als hochgeladene Datei, Kennung einer zuvor hochgeladenen Datei oder referenzierte Aufnahme bereitgestellt werden. Die begleitende Uploaddemonstration akzeptiert MP3-, WAV-, M4A-, FLAC- und OGG-Aufnahmen; wählen Sie eines dieser Formate für den demonstrierten Uploadablauf. Halten Sie die Aufnahme dekodierbar und schliessen Sie relevante Sprache ein. Bewahren Sie bei langem Material Kennung und Zeitursprung, damit spätere Auszüge oder Bearbeitungen weiterhin zur Quelle zurückverfolgt werden können.

Die Transkriptionsreferenz liefert Text und erkannte Sprache zurück, auf Wunsch mit Segmenten, und dokumentiert separat gestreamte Transkriptionsereignisse. Sprechersegmentierung ist optional und standardmässig 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 Zeitstempeln oder den manuellen Sprachhinweis, statt beides zu kombinieren. Transkription mit Sprecherbezeichnungen, Vokabularbeeinflussung und Zeitangaben sollten anhand des gewünschten Ergebnisses ausgewählt und nicht bei einer einfachen Anfrage vorausgesetzt werden.

Überlappende Sprache ist eine inhaltliche Grenze: Laut Mistral transkribiert das Modell üblicherweise einen Sprecher, wenn mehrere gleichzeitig sprechen. Ein beschriftetes Transkript darf daher nicht als vollständige Aufzeichnung jeder gleichzeitigen Äusserung behandelt werden. Prüfen Sie bei einem Besprechungsprotokoll schwierige Überschneidungen sowie wichtige Namen oder Zahlen anhand der Aufnahme. Der Modellzweck ist Transkription; Zusammenfassung, Übersetzung oder Analyse können separate Aufgaben auf Grundlage des Transkripts sein. Voxtral Realtime hat ein eigenes Latenzprofil für Live-Transkription, während Spracherzeugung zu anderen Modellen gehört.

Bereiten Sie das Ergebnis für seine nächste Nutzung vor. Ein Besprechungsablauf kann Transkript, Sprecherbezeichnungen und Zeitangaben bewahren, bevor eine separate Phase Entscheidungen extrahiert; ein Medienablauf kann mit den Zeitangaben Passagen auffinden und Untertitel entwerfen; eine terminologiereiche Aufnahme kann die gezielte Kontextliste und eine Prüfung der resultierenden Schreibweisen einbeziehen. Das nützliche Arbeitsergebnis ist Text, der mit seiner Quellaufnahme und den konfigurierten Metadaten verbunden ist; diese nummerierte Transkriptionsausgabe bleibt vom ursprünglichen Mini-Modell und fortlaufend aktualisierten latest-Namen getrennt.