Mistral: Voxtral Mini 3B 2507

Voxtral Mini 1.0 3B 2507 es el modelo compacto de Mistral AI para comprensión de texto y audio, construido sobre la familia de modelos de lenguaje Ministral 3B. Acepta grabaciones de voz e instrucciones de texto y produce texto, incluidas transcripciones, traducciones, respuestas sobre el audio y resúmenes estructurados. La versión original de Voxtral orienta este modelo de 3B a aplicaciones compactas o locales, junto con el modelo independiente Voxtral Small de 24B. También es distinto del servicio alojado Voxtral Mini Transcribe, optimizado para transcripción.

El modelo tiene un modo dedicado de transcripción que predice automáticamente el idioma de origen de forma predeterminada y transcribe según ese idioma. Elige ese modo cuando el artefacto requerido sea la redacción hablada. La comprensión de audio permite, en cambio, una pregunta directa o una solicitud de resumen sobre una grabación, sin requerir una etapa separada de reconocimiento del habla seguida de un modelo de texto. Por ello, una entrevista puede producir una transcripción completa, una traducción o una respuesta a una pregunta específica; especifica qué resultado se necesita para que esas tareas diferentes no se conviertan en instrucciones ambiguas.

La ficha de la versión exacta enumera un contexto de 32K tokens y audio de hasta 30 minutos para transcripción o 40 minutos para comprensión. Son declaraciones de duración distintas según la tarea, no una asignación compartida de audio para cada operación. Mantén la grabación relevante, las instrucciones y la conversación dentro del alcance previsto de la tarea. Los idiomas identificados por su desarrollador son inglés, español, francés, portugués, hindi, alemán, neerlandés e italiano, con detección automática de idioma. Para una traducción o respuesta, distingue el idioma de la grabación del idioma de salida requerido.

Se admiten varias entradas de audio en un mensaje y audio a lo largo de varios turnos del usuario. Asigna un identificador claro a cada grabación al solicitar comparaciones. Un ejemplo original podría comparar dos explicaciones habladas y devolver qué requisitos cambiaron, con una columna separada para cada fuente. Una pregunta posterior puede pedir el detalle detrás de un hallazgo o aportar otra grabación. La ficha también demuestra uso de solo texto y solo audio, lo que permite al modelo trabajar con la pregunta escrita y con la evidencia del habla.

Para un resumen de reunión, proporciona la grabación y solicita una estructura útil, como temas, decisiones expresadas y acciones de seguimiento. Mantén los nombres, fechas o responsabilidades inciertos separados de los hechos que se dicen claramente. Para una entrevista, solicita la declaración que responde una pregunta particular y suficiente contexto circundante para hacerla comprensible. Son diseños de tarea para un artefacto de texto utilizable; no convierten la comprensión general de audio en una garantía de diarización, marcas de tiempo por palabra o identificación de un hablante sin nombre.

Su desarrollador describe llamadas a funciones a partir de la intención hablada. En ese flujo, la aplicación proporciona definiciones de funciones, el modelo propone la llamada y los argumentos relevantes y la aplicación la ejecuta y devuelve la observación. Una solicitud de voz puede guiar una consulta u otra tarea asistida por herramientas, pero la llamada propuesta del modelo es distinta de una acción ejecutada. Conserva el resultado realmente devuelto al continuar la conversación para que una respuesta posterior refleje lo que ocurrió y no lo que se solicitó.

La ficha de uso publicada recomienda una temperatura de 0.0 para transcripción, y una temperatura de 0.2 con top_p de 0.95 para comprensión de audio y chat. Indica que los prompts de sistema no son compatibles con este flujo, por lo que debes colocar la tarea y los requisitos de respuesta en la entrada del usuario. Sus ejemplos decodifican grabaciones en entradas de audio e incluyen material MP3, pero no establecen una lista exhaustiva de códecs ni una longitud máxima estricta e independiente de salida. El ajuste de generación de 500 tokens en los ejemplos sigue siendo un presupuesto ilustrativo.

Prepara una grabación clara que contenga el material relevante para la tarea y especifica si necesitas la redacción original, una traducción, una respuesta o un resumen. La ficha también demuestra inferencia por lotes con varias conversaciones, un patrón de uso de su desarrollador separado de la identidad de un resultado individual. Conserva la edición 3B 2507 y sus indicaciones de duración para transcripción frente a comprensión; la diarización del modelo posterior Mini Transcribe 2, su perfil de 13 idiomas y el soporte de grabaciones más largas son funciones independientes de su desarrollador.