Mistral: Voxtral Small 24B 2507 STT

Το Voxtral Small 1.0 24B 2507 προσθέτει είσοδο ήχου και κατανόηση ομιλίας σε γλωσσικό υπόβαθρο Mistral Small. Δέχεται ήχο και κείμενο και επιστρέφει κείμενο, όπως μεταγραφή, απάντηση για την ηχογράφηση, μετάφραση ή δομημένη σύνοψη. Αυτή είναι η ονομασμένη έκδοση κατανόησης ομιλίας 24B, διακριτή από το Voxtral Mini, τις παραλλαγές υπηρεσίας βελτιστοποιημένες για μεταγραφή και τις μεταγενέστερες εκδόσεις Voxtral παραγωγής ομιλίας ή πραγματικού χρόνου.

Μεταγραφή και κατανόηση ήχου

Το μοντέλο διαθέτει ειδική λειτουργία καθαρής μεταγραφής. Ο κατασκευαστής δηλώνει ότι από προεπιλογή προβλέπει αυτόματα τη γλώσσα του αρχικού ήχου και μεταγράφει αναλόγως. Χρησιμοποιήστε αυτή τη λειτουργία όταν το επιθυμητό παραδοτέο είναι η ίδια η εκφωνημένη διατύπωση και όχι ερμηνεία ή σύνοψη. Προσδιορίστε αν το αποτέλεσμα πρέπει να διατηρεί την αρχική γλώσσα ή να ακολουθείται από χωριστά ζητούμενη μετάφραση.

Η κατανόηση ήχου επιτρέπει να τίθεται ερώτηση απευθείας για μια ηχογράφηση, χωρίς να συνδέεται πρώτα χωριστό μοντέλο αναγνώρισης ομιλίας με μοντέλο κειμένου. Ένα αίτημα μπορεί να ζητά ποιο θέμα συζητήθηκε, ποια απόφαση δηλώθηκε ή ποια πληροφορία της ηχογράφησης απαντά σε συγκεκριμένη ερώτηση. Το αποτέλεσμα μπορεί να είναι συνοπτική απόκριση ή οργανωμένη σύνοψη και όχι πλήρης μεταγραφή κάθε εκφωνημένης λέξης.

Για σύνοψη συνάντησης, δώστε την ηχογράφηση και ορίστε τα πεδία επιστροφής: θέματα, ρητά δηλωμένες αποφάσεις και ενέργειες συνέχειας. Ζητήστε ονόματα ή ημερομηνίες μόνο όταν η ηχογράφηση τα δηλώνει πραγματικά και κρατήστε τις άλυτες λεπτομέρειες χωριστές από τις αποφάσεις. Για συνέντευξη, ζητήστε την απάντηση σε συγκεκριμένη ερώτηση και τα γύρω συμφραζόμενα που την κάνουν κατανοητή. Αυτοί οι σχεδιασμοί εξόδου συνδέουν την εργασία ήχου με ένα έγγραφο που μπορεί κάποιος να χρησιμοποιήσει στη συνέχεια.

Συμφραζόμενα, διάρκεια και γλώσσες

Ο κατασκευαστής τεκμηριώνει πλαίσιο 32 χιλ. token και ήχο έως 30 λεπτά για μεταγραφή ή 40 λεπτά για κατανόηση. Οι δύο διάρκειες έχουν διαφορετικά πεδία εργασίας. Επιλέξτε την επιθυμητή λειτουργία πριν επιλέξετε την ηχογράφηση και συμπεριλάβετε την οδηγία κειμένου και τη συνομιλία όταν σχεδιάζετε το διαθέσιμο πλαίσιο. Μια μεγάλη ηχογράφηση και μια μεγάλη γραπτή απάντηση καταναλώνουν και οι δύο πόρους· η δήλωση διάρκειας δεν αποτελεί ξεχωριστή υπόσχεση απεριόριστου μήκους απάντησης.

Η έκδοση αναφέρει αγγλικά, ισπανικά, γαλλικά, πορτογαλικά, χίντι, γερμανικά, ολλανδικά και ιταλικά μεταξύ των κύριων υποστηριζόμενων γλωσσών και παρέχει αυτόματη ανίχνευση γλώσσας. Για μετάφραση ομιλίας, ορίστε την τελική γλώσσα και τυχόν όρους που πρέπει να διατηρούν την αρχική τους μορφή. Για ερώτηση σχετικά με ήχο σε μία γλώσσα, διακρίνετε τη γλώσσα ηχογράφησης από τη γλώσσα στην οποία πρέπει να γραφτεί η απάντηση.

Πολλαπλές ηχογραφήσεις και συμπληρωματικές ερωτήσεις

Η κάρτα υποστηρίζει πολλές εισόδους ήχου σε μήνυμα και ήχο σε πολλαπλούς γύρους χρήστη. Δώστε σε κάθε ηχογράφηση αναγνωριστικό και δηλώστε τον ρόλο της όταν τις συγκρίνετε. Ένα πρακτικό αίτημα μπορεί να συγκρίνει δύο εκδοχές προφορικής εξήγησης, να ζητά ποιες προϋποθέσεις άλλαξαν και να επιστρέφει πίνακα με χωριστή στήλη για κάθε ηχογράφηση. Τα αναγνωριστικά βοηθούν να παραμένουν τα ευρήματα του μοντέλου συνδεδεμένα με τη σωστή πηγή.

Μια συμπληρωματική ερώτηση μπορεί να διατηρεί την προηγούμενη ερώτηση και απάντηση, ζητώντας στενότερη λεπτομέρεια ή παρέχοντας άλλη ηχογράφηση. Για παράδειγμα, ζητήστε πρώτα τις αποφάσεις μιας συζήτησης και κατόπιν ποια απόφαση σχετίζεται με συγκεκριμένη απαίτηση. Η ίδια έκδοση παρουσιάζει επίσης αιτήματα μόνο κειμένου και μόνο ήχου. Το γλωσσικό της υπόβαθρο μπορεί να εργάζεται πάνω στη γραπτή ερώτηση ή στο αποτέλεσμα, ενώ η δυνατότητα ήχου παρέχει στοιχεία από ομιλία.

Συναρτήσεις με φωνητική καθοδήγηση

Ο κατασκευαστής περιγράφει κλήση συναρτήσεων από προφορική πρόθεση και χαρακτηρίζει το παράδειγμα κλήσης συναρτήσεων της δημοσιευμένης κάρτας ως πειραματική υποστήριξη. Σε αυτή τη ροή, η εφαρμογή ορίζει συνάρτηση και ορίσματα, το μοντέλο προετοιμάζει κλήση από το αίτημα και η εφαρμογή την εκτελεί και παρέχει το αποτέλεσμα. Μια φωνητική αναζήτηση μπορεί επομένως να επιστρέφει γραπτή απάντηση χρησιμοποιώντας πληροφορίες από συνδεδεμένο εργαλείο. Η κλήση συναρτήσεων δεν σημαίνει ότι το μοντέλο κατέχει αυτόματα την εξωτερική υπηρεσία ή πραγματοποιεί ενέργεια απλώς κατονομάζοντάς την.

Κρατήστε ρητά τον σκοπό της συνάρτησης και τις απαιτούμενες πληροφορίες. Αν η ηχογράφηση ζητά λειτουργία αλλά παραλείπει υποχρεωτική τιμή, η εφαρμογή εξακολουθεί να χρειάζεται αυτή την τιμή για να εκτελέσει τη συνάρτηση. Διαχωρίστε το προφορικό αίτημα, τα προτεινόμενα ορίσματα και το επιστρεφόμενο αποτέλεσμα, ώστε η επόμενη απάντηση να μπορεί να αναφέρεται στην πραγματική έκβαση της λειτουργίας.

Προτεινόμενες ρυθμίσεις και χρήσιμα όρια

Για κατανόηση ήχου και συμπλήρωση συνομιλίας, η κάρτα συνιστά θερμοκρασία 0.2 και top-p 0.95. Για μεταγραφή, συνιστά θερμοκρασία 0.0. Δηλώνει ρητά ότι τα system prompt δεν υποστηρίζονται σε αυτή τη δημοσιευμένη ροή χρήσης, επομένως τοποθετήστε την εργασία και τις απαιτήσεις απάντησης στην είσοδο χρήστη αντί να μεταφέρετε μια σύμβαση system prompt από άλλο μοντέλο Mistral.

Επιλέξτε ηχογράφηση που περιέχει το υλικό που σχετίζεται με την ερώτηση, κρατήστε καθαρή την ακουστή ομιλία και προσδιορίστε αν το αποτέλεσμα πρέπει να είναι μεταγραφή, μετάφραση, απάντηση ή σύνοψη. Η τεκμηριωμένη έξοδος είναι κείμενο. Μια προφορική απάντηση χρειάζεται συστατικό μετατροπής κειμένου σε ομιλία, και η ταυτοποίηση ομιλητή, ο λεπτομερής διαχωρισμός ομιλητών ή οι χρονικές σημάνσεις ανά λέξη δεν πρέπει να συνάγονται από τον γενικό ισχυρισμό κατανόησης ήχου για αυτή τη συγκεκριμένη έκδοση.

Τα παραδείγματα παραγωγής 500 token της κάρτας είναι ενδεικτικές ρυθμίσεις και όχι ξεχωριστά δηλωμένη μέγιστη χωρητικότητα εξόδου. Διατηρήστε την έκδοση 2507, τις οδηγίες διάρκειας ανά εργασία και τη γλώσσα εισόδου όταν προετοιμάζετε επαναλήψιμη ροή. Το χρήσιμο τελικό παραδοτέο είναι το ζητούμενο κείμενο, συνδεδεμένο με την ηχογράφηση και μορφοποιημένο για το επόμενο βήμα εγγράφου ή εφαρμογής.