Mistral: Voxtral Small 24B 2507 STT

Voxtral Small 1.0 24B 2507 agrega entrada de audio y comprensión del habla a una base de modelo de lenguaje Mistral Small. Acepta audio y texto y devuelve texto, incluida una transcripción, una respuesta sobre la grabación, una traducción o un resumen estructurado. Es la edición identificada de comprensión del habla de 24B, distinta de Voxtral Mini, las variantes de servicio optimizadas para transcripción y las versiones posteriores Voxtral de generación de voz o tiempo real.

Transcripción y comprensión de audio

El modelo tiene un modo dedicado de transcripción pura. Su desarrollador indica que, de forma predeterminada, predice automáticamente el idioma del audio fuente y transcribe según ese idioma. Usa este modo cuando el artefacto deseado sea la redacción hablada en sí, no una interpretación o resumen. Identifica si el resultado debe conservar el idioma original o ir seguido de una traducción solicitada por separado.

La comprensión de audio permite hacer una pregunta directamente sobre una grabación, sin encadenar primero un modelo separado de reconocimiento del habla y uno de texto. Una solicitud puede preguntar qué tema se discutió, qué decisión se expresó o qué información de la grabación responde una pregunta específica. El resultado puede ser una respuesta concisa o un resumen organizado, en lugar de una transcripción completa de cada palabra hablada.

Para un resumen de reunión, proporciona la grabación y define los campos que debe devolver: temas, decisiones expresadas explícitamente y acciones de seguimiento. Solicita nombres o fechas solo cuando la grabación realmente los indique, y mantén los detalles sin resolver separados de las decisiones. Para una entrevista, solicita la respuesta a una pregunta particular y el contexto circundante que la hace comprensible. Estos diseños de salida conectan la tarea de audio con un documento que alguien pueda usar después.

Contexto, duración e idiomas

Su desarrollador documenta un contexto de 32k tokens y audio de hasta 30 minutos para transcripción o 40 minutos para comprensión. Las dos cifras de duración tienen alcances de tarea distintos. Elige la operación deseada antes de seleccionar la grabación e incluye la instrucción de texto y la conversación al planear el contexto disponible. Una grabación larga y una respuesta escrita larga consumen recursos; la declaración de duración no es una promesa separada de longitud ilimitada de respuesta.

La versión identifica inglés, español, francés, portugués, hindi, alemán, neerlandés e italiano entre sus principales idiomas compatibles y proporciona detección automática del idioma. Para traducción del habla, define el idioma final y los términos que deban conservar su forma original. Para una pregunta sobre audio en un idioma, distingue el idioma de la grabación del idioma en el que se debe escribir la respuesta.

Varias grabaciones y preguntas posteriores

La ficha admite varias entradas de audio en un mensaje y audio en varios turnos del usuario. Asigna un identificador a cada grabación e indica su función al compararlas. Una solicitud práctica podría comparar dos versiones de una explicación hablada, preguntar qué condiciones cambiaron y devolver una tabla con una columna separada para cada grabación. Los identificadores ayudan a mantener los hallazgos del modelo asociados con la fuente correcta.

Una pregunta posterior puede conservar la pregunta y respuesta previas y pedir un detalle más específico o proporcionar otra grabación. Por ejemplo, primero solicita las decisiones de una discusión y después pregunta qué decisión se relaciona con un requisito particular. La misma versión también demuestra solicitudes de solo texto y solo audio. Su base de texto puede trabajar con la pregunta escrita o el resultado, mientras que la capacidad de audio aporta evidencia del habla.

Funciones guiadas por voz

Su desarrollador describe llamadas a funciones a partir de la intención hablada y etiqueta el ejemplo de llamadas a funciones de la ficha publicada como soporte experimental. En este flujo, la aplicación define una función y sus argumentos, el modelo prepara una llamada a partir de la solicitud y la aplicación la ejecuta y aporta el resultado. Por ello, una consulta por voz puede devolver una respuesta escrita usando información de una herramienta conectada. Las llamadas a funciones no significan que el modelo sea propietario automático del servicio externo ni que realice una acción por el simple hecho de nombrarla.

Mantén explícitos el propósito de la función y la información requerida. Si la grabación pide una operación pero omite un valor requerido, la aplicación sigue necesitando ese valor para ejecutar la función. Separa la solicitud hablada, los argumentos propuestos y el resultado devuelto para que la siguiente respuesta pueda referirse al resultado real de la operación.

Ajustes recomendados y límites útiles

Para comprensión de audio y completado de chat, la ficha recomienda una temperatura de 0.2 y top-p de 0.95. Para transcripción, recomienda una temperatura de 0.0. Indica explícitamente que los prompts de sistema no son compatibles con este flujo de uso publicado, por lo que debes colocar la tarea y los requisitos de respuesta en la entrada del usuario en lugar de trasladar una convención de prompts de sistema de otro modelo Mistral.

Selecciona una grabación que contenga el material relevante para la pregunta, mantén clara el habla audible y especifica si el resultado debe ser una transcripción, traducción, respuesta o resumen. La salida documentada es texto. Una respuesta hablada necesita un componente de texto a voz, y no deben inferirse identificación de hablantes, diarización detallada ni marcas de tiempo por palabra a partir de la afirmación general de comprensión de audio para esta versión exacta.

Los ejemplos de generación de 500 tokens de la ficha son ajustes ilustrativos, no una capacidad máxima de salida declarada por separado. Conserva la edición 2507, las recomendaciones de duración específicas de la tarea y el idioma de entrada al preparar un flujo repetible. El artefacto final útil es el texto solicitado, conectado con la grabación y con formato para el siguiente paso documental o de aplicación.