Mistral: Voxtral Mini 3B 2507

Voxtral Mini 1.0 3B 2507 ist das kompakte Text- und Audioverständnismodell von Mistral AI auf Basis der Sprachmodellfamilie Ministral 3B. Es verarbeitet Sprachaufnahmen und Textanweisungen 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 Dienst Voxtral Mini Transcribe getrennt.

Das Modell besitzt einen speziellen Transkriptionsmodus, der standardmäßig die Quellsprache automatisch vorhersagt und entsprechend transkribiert. Wähle diesen Modus, wenn das erforderliche Artefakt der gesprochene Wortlaut ist. Audioverständnis erlaubt dagegen eine direkte Frage oder Zusammenfassungsanfrage zu einer Aufnahme, ohne einen separaten Spracherkennungsschritt mit anschließendem Textmodell zu benötigen. Ein Interview kann somit ein vollständiges Transkript, eine Übersetzung oder eine Antwort auf eine eng umrissene Frage liefern; gib das benötigte Ergebnis vor, damit diese unterschiedlichen Aufgaben nicht zu einem mehrdeutigen Briefing werden.

Die genaue Veröffentlichungskarte nennt einen Kontext von 32K Tokens und Audio von bis zu 30 Minuten für Transkription oder 40 Minuten für Verständnis. Dies sind unterschiedliche aufgabenspezifische Dauerangaben und kein gemeinsames Audiobudget für jede Operation. Halte relevante Aufnahme, Anweisungen und Dialog innerhalb des vorgesehenen Aufgabenbereichs. Die vom Hersteller benannten Sprachen sind Englisch, Spanisch, Französisch, Portugiesisch, Hindi, Deutsch, Niederländisch und Italienisch mit automatischer Erkennung der Audiosprache. Unterscheide für eine Übersetzung oder Antwort die Aufnahmesprache von der erforderlichen Ausgabesprache.

Mehrere Audioeingaben in einer Nachricht und Audio über mehrere Nutzergesprächsschritte hinweg werden unterstützt. Gib jeder Aufnahme beim Anfordern von Vergleichen eine klare Kennung. Ein eigenständiges Beispiel könnte zwei gesprochene Erklärungen vergleichen und zurückgeben, welche Anforderungen sich geändert haben, mit einer separaten Spalte je Quelle. Eine Anschlussfrage kann das Detail hinter einem Befund anfordern oder eine weitere Aufnahme liefern. Die Modellkarte demonstriert auch reine Text- und reine Audionutzung, sodass das Modell sowohl die schriftliche Frage als auch die Sprachbelege bearbeiten kann.

Stelle für eine Besprechungszusammenfassung die Aufnahme bereit und fordere eine nützliche Struktur wie Themen, genannte Entscheidungen und Folgehandlungen an. Halte unsichere Namen, Daten oder Zuständigkeiten von klar ausgesprochenen Fakten getrennt. Fordere bei einem Interview die Aussage an, die eine konkrete Frage beantwortet, und genügend umgebenden Kontext, damit sie verständlich wird. Dies sind Aufgabenentwürfe für ein nutzbares Textartefakt; sie machen allgemeines Audioverständnis nicht zu einer Garantie für Diarisierung, Wortzeitstempel oder die Identifikation eines unbenannten Sprechers.

Der Hersteller beschreibt Funktionsaufrufe aus gesprochenen Absichten. In einem solchen Ablauf stellt die Anwendung Funktionsdefinitionen bereit, das Modell schlägt den relevanten Aufruf und Argumente vor, und die Anwendung führt ihn aus und gibt die Beobachtung zurück. Eine Sprachanfrage kann daher eine Abfrage oder eine andere werkzeuggestützte Aufgabe leiten; der vorgeschlagene Modellaufruf ist jedoch von einer ausgeführten Handlung getrennt. Bewahre bei der Dialogfortsetzung das tatsächlich zurückgegebene Ergebnis, damit eine spätere Antwort widerspiegelt, was geschehen ist, statt was angefordert wurde.

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

Bereite eine klare Aufnahme mit dem für die Aufgabe relevanten Material vor und gib an, ob du Originalwortlaut, eine Übersetzung, Antwort oder Zusammenfassung benötigst. Die Modellkarte demonstriert außerdem Stapelinferenz mit mehreren Dialogen, ein Nutzungsmuster des Herstellers, das von der Identität eines einzelnen Ergebnisses getrennt ist. Bewahre die Ausgabe 3B 2507 und ihre Dauerhinweise für Transkription gegenüber Verständnis; Diarisierung, das 13-Sprachen-Profil und die Unterstützung längerer Aufnahmen des späteren Modells Mini Transcribe 2 sind separate Herstellerfunktionen.