Mistral: Voxtral Small 24B 2507 STT

Voxtral Small 1.0 24B 2507 ergänzt ein Mistral-Small-Sprachmodell als Grundlage 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 Sprachverständnisausgabe mit 24 Milliarden Parametern, getrennt von Voxtral Mini, transkriptionsoptimierten Servicevarianten und späteren Voxtral-Veröffentlichungen für Spracherzeugung oder Echtzeitverarbeitung.

Transkription und Audioverständnis

Das Modell besitzt einen eigenen Modus für reine Transkription. Der Hersteller erklärt, dass es standardmässig automatisch die Sprache des Quellaudios vorhersagt und entsprechend transkribiert. Nutzen Sie diesen Modus, wenn das gewünschte Artefakt der gesprochene Wortlaut selbst ist und keine Interpretation oder Zusammenfassung. Geben Sie an, ob das Ergebnis die Originalsprache bewahren soll oder ob darauf eine separat angeforderte Übersetzung folgen soll.

Audioverständnis erlaubt eine direkte Frage zu einer Aufnahme, ohne zuvor ein separates Spracherkennungsmodell mit einem Textmodell zu verketten. Eine Anfrage kann fragen, welches Thema besprochen wurde, welche Entscheidung genannt wurde oder welche Information der Aufnahme eine konkrete Frage beantwortet. Das Ergebnis kann eine knappe Antwort oder geordnete Zusammenfassung statt einer vollständigen Transkription jedes gesprochenen Wortes sein.

Stellen Sie für eine Besprechungszusammenfassung die Aufnahme bereit und definieren Sie die zurückzugebenden Felder: Themen, ausdrücklich genannte Entscheidungen und Folgehandlungen. Fordern Sie Namen oder Daten nur an, wenn sie in der Aufnahme tatsächlich genannt werden, und halten Sie ungeklärte Details von den Entscheidungen getrennt. Verlangen Sie für ein Interview die Antwort auf eine bestimmte Frage und den umgebenden Kontext, der sie verständlich macht. Diese Ausgabegestaltungen verbinden die Audioaufgabe mit einem anschliessend nutzbaren Dokument.

Kontext, Dauer und Sprachen

Der Hersteller dokumentiert einen Kontext von 32k Tokens und Audio bis zu 30 Minuten für Transkription oder 40 Minuten für Verständnis. Die beiden Dauerangaben haben unterschiedliche Aufgabenbereiche. Wählen Sie den gewünschten Vorgang vor der Aufnahmeauswahl und berücksichtigen Sie Textanweisung und Gespräch bei der Kontextplanung. Eine lange Aufnahme und eine lange schriftliche Antwort beanspruchen beide Ressourcen; die Dauerangabe ist kein separates Versprechen unbegrenzter Antwortlänge.

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

Mehrere Aufnahmen und Folgefragen

Die Modellkarte unterstützt mehrere Audioeingaben in einer Nachricht und Audio über mehrere Nutzerrunden hinweg. Geben Sie jeder Aufnahme eine Kennung und nennen Sie ihre Rolle beim Vergleich. Eine praktische Anfrage könnte zwei Versionen einer gesprochenen Erklärung vergleichen, nach veränderten Bedingungen fragen und eine Tabelle mit separater Spalte für jede Aufnahme zurückgeben. Kennungen helfen, die Erkenntnisse des Modells mit der richtigen Quelle zu verbinden.

Eine Folgefrage kann die vorherige Frage und Antwort bewahren und zugleich nach einem engeren Detail fragen oder eine weitere Aufnahme bereitstellen. Fragen Sie beispielsweise zuerst nach den Entscheidungen aus einer Diskussion und dann danach, welche Entscheidung eine bestimmte Anforderung betrifft. Dieselbe Veröffentlichung demonstriert auch reine Text- und reine Audioanfragen. Die Textgrundlage kann die schriftliche Frage oder das Ergebnis bearbeiten, 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 anhand der Anfrage einen Aufruf vor, und die Anwendung führt ihn aus und liefert das Ergebnis. Eine sprachbasierte Abfrage kann damit eine schriftliche Antwort anhand von Informationen eines verbundenen Werkzeugs zurückgeben. Funktionsaufrufe bedeuten nicht, dass das Modell automatisch über den externen Service verfügt oder eine Handlung allein durch ihre Benennung ausführt.

Halten Sie Funktionszweck und erforderliche Informationen ausdrücklich fest. Verlangt die Aufnahme einen Vorgang, lässt aber einen Pflichtwert weg, benötigt die Anwendung diesen Wert weiterhin zur Funktionsausführung. Trennen Sie gesprochene Anfrage, vorgeschlagene Argumente und zurückgegebenes Ergebnis, damit sich die nächste Antwort auf den tatsächlichen Ausgang des Vorgangs beziehen kann.

Empfohlene Einstellungen und nützliche Grenzen

Für Audioverständnis und Chatvervollständigung empfiehlt die Modellkarte Temperatur 0.2 und Top-p 0.95. Für Transkription empfiehlt sie Temperatur 0.0. Sie hält ausdrücklich fest, dass Systemprompts in diesem veröffentlichten Nutzungsablauf nicht unterstützt werden; platzieren Sie Aufgabe und Antwortanforderungen daher 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 geben Sie an, 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 Sprechersegmentierung oder Wortzeitstempel dürfen aus der allgemeinen Aussage zum Audioverständnis dieser konkreten Veröffentlichung nicht abgeleitet werden.

Die Generierungsbeispiele mit 500 Tokens in der Modellkarte sind Beispieleinstellungen und keine separat angegebene maximale Ausgabekapazität. Bewahren Sie die Ausgabe 2507, die aufgabenspezifischen Dauerhinweise und die Eingabesprache bei der Vorbereitung eines wiederholbaren Ablaufs. Das nützliche abschliessende Artefakt ist der gewünschte Text, verbunden mit der Aufnahme und formatiert für den nächsten Dokument- oder Anwendungsschritt.