Mistral: Voxtral Small 24B 2507 STT

Voxtral Small 1.0 24B 2507 ergänzt ein Mistral-Small-Sprachmodell als Grundlage um Audioeingabe und Sprachverständnis. Es verarbeitet Audio und Text und gibt Text zurück, darunter ein Transkript, eine Antwort zur Aufnahme, eine Übersetzung oder eine strukturierte Zusammenfassung. Dies ist die benannte Ausgabe für Sprachverständnis mit 24 Milliarden Parametern, getrennt von Voxtral Mini, transkriptionsoptimierten Dienstvarianten und späteren Voxtral-Veröffentlichungen für Spracherzeugung oder Echtzeitverarbeitung.

Transkription und Audioverständnis

Das Modell besitzt einen speziellen reinen Transkriptionsmodus. Laut Hersteller sagt es standardmäßig die Sprache der Audioquelle automatisch voraus und transkribiert entsprechend. Verwende diesen Modus, wenn das gewünschte Artefakt der gesprochene Wortlaut selbst und keine Interpretation oder Zusammenfassung ist. Gib an, ob das Ergebnis die Originalsprache bewahren soll oder ob anschließend eine separat angeforderte Übersetzung folgen soll.

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

Stelle für eine Besprechungszusammenfassung die Aufnahme bereit und definiere die zurückzugebenden Felder: Themen, ausdrücklich genannte Entscheidungen und Folgehandlungen. Fordere Namen oder Daten nur an, wenn die Aufnahme sie tatsächlich nennt, und halte ungeklärte Details von den Entscheidungen getrennt. Fordere bei einem Interview die Antwort auf eine konkrete Frage und den umgebenden Kontext an, der sie verständlich macht. Diese Ausgabeentwürfe verbinden die Audioaufgabe mit einem später nutzbaren Dokument.

Kontext, Dauer und Sprachen

Der Hersteller dokumentiert einen Kontext von 32k Tokens und Audio von bis zu 30 Minuten für Transkription beziehungsweise 40 Minuten für Verständnis. Die beiden Dauerangaben gelten für unterschiedliche Aufgabenbereiche. Wähle die gewünschte Operation aus, bevor du die Aufnahme auswählst, und berücksichtige Textanweisung und Dialog bei der Planung des verfügbaren Kontexts. Eine lange Aufnahme und eine lange schriftliche Antwort verbrauchen beide Ressourcen; die Dauerangabe ist kein separates Versprechen unbegrenzter Antwortlänge.

Die Veröffentlichung nennt Englisch, Spanisch, Französisch, Portugiesisch, Hindi, Deutsch, Niederländisch und Italienisch als wesentliche unterstützte Sprachen und bietet eine automatische Erkennung der Audiosprache. Lege für Sprachübersetzung die Zielsprache und Begriffe fest, die ihre Originalform bewahren sollen. Unterscheide 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 Anschlussfragen

Die Modellkarte unterstützt mehrere Audioeingaben in einer Nachricht und Audio über mehrere Nutzergesprächsschritte hinweg. Gib jeder Aufnahme eine Kennung und nenne ihre Rolle beim Vergleich. Eine praktische Anfrage kann zwei Versionen einer gesprochenen Erklärung vergleichen, nach geänderten Bedingungen fragen und eine Tabelle mit einer separaten Spalte je Aufnahme zurückgeben. Kennungen helfen, die Befunde des Modells mit der richtigen Quelle zu verbinden.

Eine Anschlussfrage kann die frühere Frage und Antwort bewahren und zugleich ein engeres Detail anfordern oder eine weitere Aufnahme liefern. Frage beispielsweise zunächst nach den Entscheidungen aus einer Diskussion und anschließend danach, welche Entscheidung sich auf eine konkrete Anforderung bezieht. Dieselbe Veröffentlichung demonstriert außerdem reine Text- und reine Audioanfragen. Ihre Textgrundlage kann die schriftliche Frage oder das Ergebnis bearbeiten, während die Audiofähigkeit Belege aus Sprache liefert.

Sprachgesteuerte Funktionen

Der Hersteller beschreibt Funktionsaufrufe aus gesprochenen Absichten und kennzeichnet das Funktionsaufrufbeispiel der veröffentlichten Modellkarte als experimentelle Unterstützung. In diesem Ablauf definiert die Anwendung eine Funktion und ihre Argumente, das Modell bereitet aus der Anfrage einen Aufruf vor, und die Anwendung führt ihn aus und liefert das Ergebnis. Eine sprachbasierte Abfrage kann daher mithilfe von Informationen aus einem verbundenen Werkzeug eine schriftliche Antwort zurückgeben. Funktionsaufrufe bedeuten nicht, dass das Modell automatisch über den externen Dienst verfügt oder eine Handlung schon durch deren Benennung ausführt.

Halte Funktionszweck und erforderliche Informationen ausdrücklich fest. Wenn die Aufnahme eine Operation verlangt, aber einen Pflichtwert auslässt, benötigt die Anwendung diesen Wert weiterhin zur Funktionsausführung. Trenne die gesprochene Anfrage, vorgeschlagene Argumente und das zurückgegebene Ergebnis, damit sich die nächste Antwort auf den tatsächlichen Operationsausgang beziehen kann.

Empfohlene Einstellungen und nützliche Grenzen

Für Audioverständnis und Chatvervollständigung empfiehlt die Modellkarte temperature 0.2 und top-p 0.95. Für Transkription empfiehlt sie temperature 0.0. Sie hält ausdrücklich fest, dass Systemprompts in diesem veröffentlichten Nutzungsablauf nicht unterstützt werden; platziere Aufgabe und Antwortanforderungen daher in der Nutzereingabe, statt eine Systemprompt-Konvention eines anderen Mistral-Modells zu übertragen.

Wähle eine Aufnahme mit dem für die Frage relevanten Material, halte die hörbare Sprache klar und gib 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, und Sprecheridentifikation, detaillierte Diarisierung oder Zeitstempel auf Wortebene sollten nicht aus der allgemeinen Audioverständnisfähigkeit genau dieser Veröffentlichung abgeleitet werden.

Die Generierungsbeispiele mit 500 Tokens in der Modellkarte sind Beispieleinstellungen und keine separat angegebene maximale Ausgabekapazität. Bewahre die Ausgabe 2507, die aufgabenspezifischen Dauerhinweise und die Eingabesprache, wenn du einen wiederholbaren Ablauf vorbereitest. Das nützliche Endartefakt ist der gewünschte Text, verbunden mit der Aufnahme und für den nächsten Dokument- oder Anwendungsschritt formatiert.