Mistral: Voxtral Small 24B 2507 STT

Voxtral Small 1.0 24B 2507 añade entrada de audio y comprensión del habla a una base de modelo lingüístico Mistral Small. Acepta audio y texto y devuelve texto, incluidos una transcripción, una respuesta sobre la grabación, una traducción o un resumen estructurado. Esta es la edición nombrada de comprensión del habla de 24 mil millones de parámetros, distinta de Voxtral Mini, las variantes de servicio optimizadas para transcripción y las versiones posteriores de Voxtral de generación de voz o tiempo real.

Transcripción y comprensión de audio

El modelo tiene un modo específico de transcripción pura. El fabricante indica que, por defecto, predice automáticamente el idioma del audio de origen y transcribe en consecuencia. Utiliza este modo cuando el entregable deseado sean las palabras pronunciadas, no una interpretación o un 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 independiente de reconocimiento de voz y otro de texto. Una solicitud puede preguntar qué tema se discutió, qué decisión se expresó o qué información de la grabación responde a una pregunta concreta. El resultado puede ser una respuesta concisa o un resumen organizado, en lugar de una transcripción completa de cada palabra pronunciada.

Para resumir una reunión, proporciona la grabación y define los campos que devolver: temas, decisiones expresadas explícitamente y acciones de seguimiento. Solicita nombres o fechas únicamente cuando la grabación los indique realmente, y mantén los detalles pendientes separados de las decisiones. Para una entrevista, pide la respuesta a una pregunta concreta y el contexto circundante que la hace comprensible. Estos diseños de salida conectan la tarea de audio con un documento que alguien puede utilizar después.

Contexto, duración e idiomas

El fabricante 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 diferentes. Elige la operación deseada antes de seleccionar la grabación e incluye la instrucción textual y la conversación al planificar el contexto disponible. Una grabación larga y una respuesta escrita larga consumen recursos; la indicación de duración no es una promesa independiente de longitud de respuesta ilimitada.

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

Varias grabaciones y preguntas de seguimiento

La ficha admite varias entradas de audio en un mensaje y audio en varios turnos del usuario. Asigna a cada grabación un identificador e indica su función al compararlas. Una solicitud práctica puede comparar dos versiones de una explicación oral, 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 a la fuente correcta.

Un seguimiento puede conservar la pregunta y respuesta anteriores mientras pide un detalle más específico o proporciona otra grabación. Por ejemplo, primero pide las decisiones de una discusión y después pregunta qué decisión se relaciona con un requisito concreto. La misma versión también demuestra solicitudes exclusivamente textuales y exclusivamente de audio. Su base textual puede trabajar sobre la pregunta o el resultado escritos, mientras que la capacidad de audio aporta pruebas procedentes del habla.

Funciones guiadas por voz

El fabricante describe llamadas a funciones a partir de la intención expresada oralmente y etiqueta el ejemplo de llamadas a funciones de la ficha publicada como compatibilidad 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 proporciona el resultado. Por tanto, una consulta por voz puede devolver una respuesta escrita utilizando información de una herramienta conectada. Las llamadas a funciones no significan que el modelo posea automáticamente el servicio externo ni realice una acción por el mero hecho de nombrarla.

Mantén explícitos la finalidad 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 oral, 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 compleción de chat, la ficha recomienda temperature 0.2 y top-p 0.95. Para transcripción, recomienda temperature 0.0. Indica explícitamente que los prompts del sistema no se admiten en 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 la convención de prompts del sistema de otro modelo Mistral.

Selecciona una grabación que contenga el material pertinente para la pregunta, mantén el habla audible con claridad 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 de esta versión concreta.

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 indicaciones de duración específicas de la tarea y el idioma de entrada al preparar un flujo repetible. El entregable final útil es el texto solicitado, conectado con la grabación y formateado para el siguiente paso documental o de la aplicación.