Mistral: Voxtral Mini 3B 2507

Το Voxtral Mini 1.0 3B 2507 είναι το συμπαγές μοντέλο κατανόησης κειμένου και ήχου της Mistral AI που βασίζεται στην οικογένεια γλωσσικών μοντέλων Ministral 3B. Δέχεται ηχογραφήσεις ομιλίας και οδηγίες κειμένου και παράγει κείμενο, όπως μεταγραφές, μεταφράσεις, απαντήσεις για τον ήχο και δομημένες συνόψεις. Η αρχική έκδοση Voxtral προορίζει αυτό το μοντέλο 3B για συμπαγείς ή τοπικές εφαρμογές, μαζί με το ξεχωριστό μοντέλο Voxtral Small 24B. Διαφέρει επίσης από τη φιλοξενούμενη υπηρεσία Voxtral Mini Transcribe που είναι βελτιστοποιημένη για μεταγραφή.

Το μοντέλο διαθέτει ειδική λειτουργία μεταγραφής που από προεπιλογή προβλέπει αυτόματα τη γλώσσα πηγής και μεταγράφει αναλόγως. Επιλέξτε αυτή τη λειτουργία όταν το απαιτούμενο παραδοτέο είναι η εκφωνημένη διατύπωση. Η κατανόηση ήχου επιτρέπει αντίθετα άμεση ερώτηση ή αίτημα σύνοψης για ηχογράφηση, χωρίς να απαιτεί ξεχωριστό στάδιο αναγνώρισης ομιλίας και κατόπιν μοντέλο κειμένου. Μια συνέντευξη μπορεί έτσι να παράγει πλήρη μεταγραφή, μετάφραση ή απάντηση σε στενή ερώτηση· προσδιορίστε ποιο αποτέλεσμα χρειάζεται ώστε αυτές οι διαφορετικές εργασίες να μη γίνουν μία αμφίσημη περιγραφή.

Η κάρτα της συγκεκριμένης έκδοσης αναφέρει πλαίσιο 32 χιλ. token και ήχο έως 30 λεπτά για μεταγραφή ή 40 λεπτά για κατανόηση. Πρόκειται για διαφορετικές δηλώσεις διάρκειας ανά εργασία και όχι για κοινό επιτρεπόμενο όριο ήχου σε κάθε λειτουργία. Κρατήστε τη σχετική ηχογράφηση, τις οδηγίες και τη συνομιλία μέσα στο προβλεπόμενο πεδίο εργασίας. Οι γλώσσες που κατονομάζει ο κατασκευαστής είναι αγγλικά, ισπανικά, γαλλικά, πορτογαλικά, χίντι, γερμανικά, ολλανδικά και ιταλικά, με αυτόματη ανίχνευση γλώσσας. Για μετάφραση ή απάντηση, διακρίνετε τη γλώσσα ηχογράφησης από την απαιτούμενη γλώσσα εξόδου.

Υποστηρίζονται πολλές είσοδοι ήχου σε μήνυμα και ήχος σε πολλαπλούς γύρους χρήστη. Δώστε σε κάθε ηχογράφηση σαφές αναγνωριστικό όταν ζητάτε συγκρίσεις. Ένα πρωτότυπο παράδειγμα μπορεί να συγκρίνει δύο προφορικές εξηγήσεις και να επιστρέφει ποιες απαιτήσεις άλλαξαν, με ξεχωριστή στήλη για κάθε πηγή. Μια συμπληρωματική ερώτηση μπορεί να ζητά τη λεπτομέρεια πίσω από ένα εύρημα ή να παρέχει άλλη ηχογράφηση. Η κάρτα παρουσιάζει επίσης χρήση μόνο κειμένου και μόνο ήχου, επιτρέποντας στο μοντέλο να εργάζεται τόσο με τη γραπτή ερώτηση όσο και με τα στοιχεία ομιλίας.

Για σύνοψη συνάντησης, δώστε την ηχογράφηση και ζητήστε χρήσιμη δομή, όπως θέματα, δηλωμένες αποφάσεις και ενέργειες συνέχειας. Κρατήστε τα αβέβαια ονόματα, τις ημερομηνίες ή τις ευθύνες χωριστά από γεγονότα που εκφωνούνται καθαρά. Για συνέντευξη, ζητήστε τη δήλωση που απαντά σε συγκεκριμένη ερώτηση και αρκετά γύρω συμφραζόμενα ώστε να είναι κατανοητή. Αυτοί είναι σχεδιασμοί εργασίας για χρηστικό παραδοτέο κειμένου· δεν μετατρέπουν τη γενική κατανόηση ήχου σε εγγύηση διαχωρισμού ομιλητών, χρονικών σημάνσεων λέξεων ή ταυτοποίησης ανώνυμου ομιλητή.

Ο κατασκευαστής περιγράφει κλήση συναρτήσεων από προφορική πρόθεση. Σε μια τέτοια ροή, η εφαρμογή παρέχει ορισμούς συναρτήσεων, το μοντέλο προτείνει τη σχετική κλήση και τα ορίσματα, και η εφαρμογή την εκτελεί και επιστρέφει την παρατήρηση. Ένα φωνητικό αίτημα μπορεί επομένως να καθοδηγεί αναζήτηση ή άλλη εργασία με εργαλεία, αλλά η προτεινόμενη κλήση του μοντέλου διαφέρει από εκτελεσμένη ενέργεια. Διατηρήστε το πραγματικό επιστρεφόμενο αποτέλεσμα όταν συνεχίζετε τη συνομιλία, ώστε μια μεταγενέστερη απάντηση να αντανακλά ό,τι συνέβη και όχι ό,τι ζητήθηκε.

Η δημοσιευμένη κάρτα χρήσης συνιστά θερμοκρασία 0.0 για μεταγραφή και θερμοκρασία 0.2 με top_p 0.95 για κατανόηση ήχου και συνομιλία. Δηλώνει ότι τα system prompt δεν υποστηρίζονται σε αυτή τη ροή, επομένως τοποθετήστε την εργασία και τις απαιτήσεις απάντησης στην είσοδο χρήστη. Τα παραδείγματά της αποκωδικοποιούν ηχογραφήσεις σε εισόδους ήχου και περιλαμβάνουν υλικό MP3, αλλά δεν θεμελιώνουν εξαντλητικό κατάλογο codec ή ξεχωριστό αυστηρό μέγιστο μήκος εξόδου. Η ρύθμιση παραγωγής 500 token στα παραδείγματα παραμένει ενδεικτικός προϋπολογισμός.

Προετοιμάστε καθαρή ηχογράφηση με το υλικό που σχετίζεται με την εργασία και προσδιορίστε αν χρειάζεστε αρχική διατύπωση, μετάφραση, απάντηση ή σύνοψη. Η κάρτα παρουσιάζει επίσης ομαδική εξαγωγή αποτελεσμάτων με πολλές συνομιλίες, ένα πρότυπο χρήσης του παραγωγού χωριστό από την ταυτότητα ενός μεμονωμένου αποτελέσματος. Διατηρήστε την έκδοση 3B 2507 και τις οδηγίες διάρκειας μεταγραφής έναντι κατανόησης· ο διαχωρισμός ομιλητών, το προφίλ 13 γλωσσών και η υποστήριξη μεγαλύτερων ηχογραφήσεων του μεταγενέστερου μοντέλου Mini Transcribe 2 είναι ξεχωριστές δυνατότητες του παραγωγού.