Mistral: Voxtral Mini Transcribe

Το Voxtral Mini Transcribe 2 είναι η έκδοση Voxtral της Mistral AI με επίκεντρο τη μεταγραφή, η οποία προσδιορίζεται στην κάρτα του παραγωγού ως voxtral-mini-2602. Έχει σχεδιαστεί για ομαδική μεταγραφή ηχογραφήσεων και όχι για τον ευρύτερο ρόλο ερωταποκρίσεων του αρχικού μοντέλου Voxtral Mini 3B. Η είσοδος είναι ήχος και το αποτέλεσμα μεταγραμμένο κείμενο, προαιρετικά εμπλουτισμένο με ετικέτες ομιλητών και χρονικές πληροφορίες. Πρακτικές χρήσεις περιλαμβάνουν μεταγραφές συναντήσεων, ανάλυση συνεντεύξεων, αρχεία κλήσεων πολλών συμμετεχόντων και κείμενο ευθυγραμμισμένο με ηχογραφημένα πολυμέσα.

Ο κατασκευαστής τεκμηριώνει διαχωρισμό ομιλητών και χρονισμό έναρξης και λήξης, ώστε μια μεταγραφή να δείχνει ποιος μίλησε και πότε. Οι χρονικές σημάνσεις ανά λέξη υποστηρίζουν υποτίτλους, αναζήτηση ήχου και ευθυγράμμιση μεταξύ αποσπάσματος κειμένου και θέσης του στην ηχογράφηση. Ο οδηγός του παραγωγού επιτρέπει ανάλυση χρονικών σημάνσεων ανά τμήμα ή ανά λέξη. Για συνέντευξη, χρήσιμο παραδοτέο είναι ακολουθία αποσπασμάτων με απόδοση στον ομιλητή και χρονισμό· για προετοιμασία υποτίτλων, ο χρονισμός λέξεων ή τμημάτων μπορεί να καθοδηγεί μεταγενέστερο βήμα υποτιτλισμού, αντί να πρέπει να συναχθεί από απλό κείμενο μεταγραφής.

Η καθοδήγηση βάσει συμφραζομένων δέχεται έως 100 λέξεις ή φράσεις που κατευθύνουν το μοντέλο προς την επιδιωκόμενη γραφή ονομάτων, τεχνικών όρων και λεξιλογίου συγκεκριμένου πεδίου. Η Mistral δηλώνει ότι αυτή η δυνατότητα είναι βελτιστοποιημένη για αγγλικά και ότι η υποστήριξη άλλων γλωσσών είναι πειραματική. Προετοιμάστε εστιασμένο κατάλογο λεξιλογίου από το θέμα της ηχογράφησης αντί για άσχετο γλωσσάρι. Ένα πρωτότυπο παράδειγμα θα παρείχε τα ονόματα έργων και τους εξειδικευμένους όρους που πιθανόν εμφανίζονται σε τεχνική συζήτηση και κατόπιν θα έλεγχε τη γραφή τους στην ολοκληρωμένη μεταγραφή.

Η έκδοση υποστηρίζει δεκατρείς γλώσσες: αγγλικά, κινεζικά, χίντι, ισπανικά, αραβικά, γαλλικά, πορτογαλικά, ρωσικά, γερμανικά, ιαπωνικά, κορεατικά, ιταλικά και ολλανδικά. Ο κατασκευαστής τεκμηριώνει επίσης ανθεκτικότητα σε θόρυβο και ηχογραφήσεις έως τρεις ώρες σε ένα αίτημα. Αυτά ανήκουν στη ροή ηχογραφήσεων του Mini Transcribe 2· οι δηλώσεις συμφραζομένων και διάρκειας του αρχικού μοντέλου κατανόησης ήχου 2507 περιγράφουν διαφορετική έκδοση. Η αυτόματη ανίχνευση γλώσσας είναι διαθέσιμη, και ο οδηγός αναφέρει ότι η ρητή παροχή γνωστής γλώσσας ήχου μπορεί να βελτιώνει την ακρίβεια μεταγραφής.

Στην τεκμηριωμένη ροή του παραγωγού, ο ήχος μπορεί να παρέχεται ως μεταφορτωμένο αρχείο, αναγνωριστικό ήδη μεταφορτωμένου αρχείου ή αναφερόμενη ηχογράφηση. Η συνοδευτική επίδειξη μεταφόρτωσης δέχεται ηχογραφήσεις MP3, WAV, M4A, FLAC και OGG· επιλέξτε μία από αυτές τις μορφές για την παρουσιαζόμενη ροή μεταφόρτωσης. Κρατήστε την ηχογράφηση αποκωδικοποιήσιμη και συμπεριλάβετε τη σχετική ομιλία. Για εκτενές υλικό, διατηρήστε το αναγνωριστικό και την αρχή χρόνου του, ώστε τυχόν μεταγενέστερα αποσπάσματα ή αλλαγές να εξακολουθούν να ανιχνεύονται προς την πηγή.

Η αναφορά μεταγραφής επιστρέφει το κείμενο και την ανιχνευμένη γλώσσα, με τμήματα όταν ζητούνται, και τεκμηριώνει χωριστά συμβάντα μεταγραφής σε συνεχή ροή. Ο διαχωρισμός ομιλητών είναι προαιρετικός και έχει προεπιλογή false. Ο οδηγός σημειώνει ότι το timestamp_granularities και μια ρητή ρύθμιση language δεν είναι προς το παρόν συμβατά, επομένως επιλέξτε την επιθυμητή ροή χρονισμού ή τη χειροκίνητη υπόδειξη γλώσσας αντί να τα συνδυάζετε. Η μεταγραφή με ετικέτες ομιλητών, η καθοδήγηση λεξιλογίου και ο χρονισμός πρέπει να επιλέγονται βάσει του επιδιωκόμενου αποτελέσματος αντί να θεωρούνται δεδομένα σε ένα βασικό αίτημα.

Η επικαλυπτόμενη ομιλία είναι ουσιαστικός περιορισμός: η Mistral αναφέρει ότι το μοντέλο συνήθως μεταγράφει έναν ομιλητή όταν οι ομιλητές επικαλύπτονται. Επομένως μια μεταγραφή με ετικέτες δεν πρέπει να αντιμετωπίζεται ως εξαντλητικό αρχείο κάθε ταυτόχρονης εκφώνησης. Για αρχείο συνάντησης, ελέγξτε τις δύσκολες επικαλύψεις και τα σημαντικά ονόματα ή αριθμητικά στοιχεία σε σχέση με την ηχογράφηση. Ο σκοπός του μοντέλου είναι η μεταγραφή· μια σύνοψη, μετάφραση ή ανάλυση μπορεί να είναι ξεχωριστή εργασία βασισμένη σε αυτή τη μεταγραφή. Το Voxtral Realtime έχει χωριστό προφίλ καθυστέρησης ζωντανής μεταγραφής, ενώ η παραγωγή ομιλίας ανήκει σε άλλα μοντέλα.

Προετοιμάστε το αποτέλεσμα για την επόμενη χρήση του. Μια ροή συνάντησης μπορεί να διατηρεί τη μεταγραφή, τις ετικέτες ομιλητών και τον χρονισμό πριν ένα ξεχωριστό στάδιο εξαγάγει αποφάσεις· μια ροή πολυμέσων μπορεί να χρησιμοποιεί τον χρονισμό για να εντοπίζει αποσπάσματα και να συντάσσει υποτίτλους· μια ηχογράφηση με πολλή ορολογία μπορεί να περιλαμβάνει την εστιασμένη λίστα καθοδήγησης συμφραζομένων και έλεγχο της γραφής που προκύπτει. Το χρήσιμο παραδοτέο είναι κείμενο συνδεδεμένο με την αρχική ηχογράφηση και τα ρυθμισμένα μεταδεδομένα του, με αυτή την αριθμημένη έκδοση μεταγραφής διακριτή από το αρχικό μοντέλο Mini και τα εξελισσόμενα ονόματα latest.