Mistral: Voxtral Mini 3B 2507

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

El modelo tiene un modo específico de transcripción que, por defecto, predice automáticamente el idioma de origen y transcribe en consecuencia. Elige ese modo cuando el entregable requerido sean las palabras pronunciadas. La comprensión de audio, en cambio, permite una pregunta directa o una solicitud de resumen sobre una grabación, sin requerir una etapa separada de reconocimiento de voz seguida de un modelo textual. Por tanto, una entrevista puede producir una transcripción completa, una traducción o una respuesta a una pregunta específica; indica qué resultado necesitas para que esas tareas diferentes no se conviertan en un encargo ambiguo.

La ficha específica de la versión enumera un contexto de 32K tokens y audio de hasta 30 minutos para transcripción o 40 minutos para comprensión. Son indicaciones de duración distintas y específicas de cada tarea, no una asignación de audio compartida para todas las operaciones. Mantén la grabación, las instrucciones y la conversación pertinentes dentro del alcance previsto de la tarea. Los idiomas nombrados por el fabricante son inglés, español, francés, portugués, hindi, alemán, neerlandés e italiano, con detección automática del 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 a cada grabación un identificador claro cuando pidas comparaciones. Un ejemplo original podría comparar dos explicaciones orales y devolver qué requisitos cambiaron, con una columna independiente para cada fuente. Un seguimiento puede solicitar el detalle detrás de un hallazgo o aportar otra grabación. La ficha también demuestra uso exclusivamente textual y exclusivamente de audio, permitiendo que el modelo trabaje tanto con la pregunta escrita como con las pruebas del habla.

Para resumir una 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 claramente pronunciados. Para una entrevista, pide la afirmación que responde a una pregunta concreta y suficiente contexto circundante para hacerla comprensible. Son diseños de tarea para un resultado textual utilizable; no convierten la comprensión general de audio en una garantía de diarización, marcas de tiempo por palabra ni identificación de un hablante sin nombre.

El fabricante describe llamadas a funciones a partir de la intención expresada oralmente. En ese flujo, la aplicación proporciona definiciones de funciones, el modelo propone la llamada y los argumentos pertinentes y la aplicación la ejecuta y devuelve la observación. Por tanto, una solicitud por 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 ocurrido y no lo solicitado.

La ficha de uso publicada recomienda temperature 0.0 para transcripción, y temperature 0.2 con top_p 0.95 para comprensión de audio y chat. Indica que no se admiten prompts del sistema en este flujo, por lo que debes colocar la tarea y los requisitos de respuesta en la entrada del usuario. Sus ejemplos decodifican grabaciones como 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 de los ejemplos sigue siendo un presupuesto ilustrativo.

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