Mistral: Voxtral Mini Transcribe

Voxtral Mini Transcribe 2 ist die auf Transkription ausgerichtete Voxtral-Ausgabe von Mistral AI, die in der Modellkarte des Herstellers als voxtral-mini-2602 bezeichnet wird. Sie ist für aufnahmebasierte Stapeltranskription statt der breiteren Fragebeantwortungsrolle des ursprünglichen Modells Voxtral Mini 3B konzipiert. Die Eingabe ist Audio, das Ergebnis transkribierter Text, optional ergänzt um Sprecherkennzeichnungen und Zeitinformationen. Praktische Anwendungen umfassen Besprechungstranskripte, Interviewanalysen, Aufzeichnungen von Gesprächen mit mehreren Beteiligten und Text, der mit aufgenommenen Medien ausgerichtet ist.

Der Hersteller dokumentiert Sprecherdiarisierung und Start-/Endzeiten, sodass ein Transkript zeigen kann, wer wann gesprochen hat. Zeitstempel auf Wortebene unterstützen Untertitel, Audiosuche und die Zuordnung zwischen einer Textpassage und ihrer Position in einer Aufnahme. Die Herstelleranleitung erlaubt Zeitstempelgranularität auf Segment- oder Wortebene. Bei einem Interview ist ein nützliches Artefakt eine Folge zugeordneter Passagen mit Zeitangaben; für die Untertitelvorbereitung können Wort- oder Segmentzeiten einen späteren Untertitelungsschritt leiten, statt diese Zeiten aus reinem Transkripttext erschließen zu müssen.

Kontextbezogene Vokabularsteuerung akzeptiert bis zu 100 Wörter oder Phrasen, die das Modell zur gewünschten Schreibweise von Namen, Fachbegriffen und domänenspezifischem Vokabular lenken. Mistral sagt, diese Funktion sei für Englisch optimiert und die Unterstützung anderer Sprachen experimentell. Bereite eine gezielte Vokabularliste aus dem Thema der Aufnahme statt eines unzusammenhängenden Glossars vor. Ein eigenständiges Beispiel wäre die Vorgabe von Projektnamen und Fachbegriffen, die wahrscheinlich in einer technischen Diskussion vorkommen, gefolgt von der Prüfung dieser Schreibweisen im fertigen Transkript.

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 von bis zu drei Stunden in einer einzigen Anfrage. Dies gehört zum Aufnahmeablauf von Mini Transcribe 2; die Kontext- und Dauerangaben des ursprünglichen Audioverständnismodells 2507 beschreiben eine andere Veröffentlichung. Die automatische Erkennung der Audiosprache ist verfügbar, und die Anleitung sagt, dass die ausdrückliche Vorgabe einer bekannten Audiosprache die Transkriptionsgenauigkeit verbessern kann.

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; wähle eines dieser Formate für den demonstrierten Uploadablauf. Stelle sicher, dass die Aufnahme dekodierbar ist und die relevanten gesprochenen Inhalte enthält. Bewahre bei langem Material Kennung und zeitlichen Ursprung, damit spätere Auszüge oder Änderungen weiterhin zur Quelle zurückverfolgt werden können.

Die Transkriptionsreferenz gibt Text und erkannte Sprache mit Segmenten auf Anforderung zurück und dokumentiert separat gestreamte Transkriptionsereignisse. Diarisierung ist optional und standardmäßig auf false gesetzt. Die Anleitung weist darauf hin, dass timestamp_granularities und eine ausdrückliche language-Einstellung derzeit nicht kompatibel sind; wähle daher den gewünschten Zeitstempelablauf oder den manuellen Sprachhinweis, statt beide zu kombinieren. Transkription mit Sprecherkennzeichnungen, Vokabularsteuerung und Zeitangaben sollten entsprechend dem beabsichtigten Ergebnis ausgewählt und nicht aus einer Basisanfrage vorausgesetzt werden.

Überlappende Sprache ist eine inhaltliche Grenze: Laut Mistral transkribiert das Modell bei sich überschneidenden Sprechern typischerweise nur einen Sprecher. Ein gekennzeichnetes Transkript sollte daher nicht als vollständige Aufzeichnung jeder gleichzeitigen Äußerung behandelt werden. Prüfe bei einer Besprechungsaufzeichnung schwierige Überschneidungen und wichtige Namen oder Zahlen anhand der Aufnahme. Der Zweck des Modells ist Transkription; eine Zusammenfassung, Übersetzung oder Analyse kann eine separate Aufgabe auf Grundlage dieses Transkripts sein. Voxtral Realtime besitzt ein eigenes Latenzprofil für Live-Transkription, während Spracherzeugung zu anderen Modellen gehört.

Bereite das Ergebnis für seine nächste Verwendung vor. Ein Besprechungsablauf kann Transkript, Sprecherkennzeichnungen und Zeitangaben bewahren, bevor ein separater Schritt Entscheidungen extrahiert; ein Medienablauf kann Zeitangaben zum Auffinden von Passagen und Entwerfen von Untertiteln nutzen; eine Aufnahme mit vielen Fachbegriffen kann eine gezielte Kontextvokabularliste und die Prüfung der entstehenden Schreibweisen enthalten. Das nützliche Arbeitsergebnis ist Text mit Bezug zu seiner Quellaufnahme und den konfigurierten Metadaten, wobei diese nummerierte Transkriptionsausgabe vom ursprünglichen Mini-Modell und fortlaufend aktualisierten latest-Namen getrennt bleibt.