Mistral: Voxtral Small 24B 2507 STT

Voxtral Small 1.0 24B 2507 lisää äänisyötteen ja puheen ymmärtämisen Mistral Small -kielimallirunkoon. Se vastaanottaa ääntä ja tekstiä sekä palauttaa tekstiä, kuten litteraatin, tallennetta koskevan vastauksen, käännöksen tai rakenteisen yhteenvedon. Tämä on nimetty 24B-puheenymmärrysversio, joka eroaa Voxtral Ministä, litterointiin optimoiduista palveluvarianteista ja myöhemmistä Voxtralin puhegenerointi- tai reaaliaikajulkaisuista.

Litterointi ja äänen ymmärtäminen

Mallilla on erillinen puhdas litterointitila. Valmistaja kertoo sen oletuksena ennustavan automaattisesti lähdeäänen kielen ja litteroivan sen mukaisesti. Käytä tilaa, kun haluttu artefakti on itse puhuttu sanamuoto tulkinnan tai yhteenvedon sijaan. Yksilöi, tuleeko tuloksen säilyttää alkuperäinen kieli vai seurataanko sitä erikseen pyydetyllä käännöksellä.

Äänen ymmärtäminen mahdollistaa kysymyksen suoraan tallenteesta ilman erillisen puheentunnistusmallin ja tekstimallin ketjuttamista ensin. Pyyntö voi kysyä keskustelun aihetta, lausuttua päätöstä tai tietoa, joka vastaa tiettyyn kysymykseen. Tulos voi olla ytimekäs vastaus tai jäsennelty yhteenveto jokaisen puhutun sanan täydellisen litteroinnin sijaan.

Anna kokousyhteenvetoon tallenne ja määritä palautettavat kentät: aiheet, nimenomaisesti lausutut päätökset ja jatkotoimet. Pyydä nimiä tai päivämääriä vain, kun tallenne todella ilmaisee ne, ja pidä avoimet yksityiskohdat erillään päätöksistä. Pyydä haastattelusta vastaus tiettyyn kysymykseen ja sen ymmärtämiseen tarvittava ympäröivä konteksti. Nämä tulosrakenteet yhdistävät äänitehtävän myöhemmin käytettävään asiakirjaan.

Konteksti, kesto ja kielet

Valmistaja dokumentoi 32 tuhannen tokenin kontekstin ja enintään 30 minuutin äänen litterointiin tai 40 minuuttia ymmärtämiseen. Kestolukujen tehtäväalueet eroavat. Valitse haluttu toiminto ennen tallenteen valintaa ja sisällytä tekstiohje ja keskustelu kontekstin suunnitteluun. Pitkä tallenne ja pitkä kirjallinen vastaus kuluttavat molemmat resursseja; kestoilmoitus ei ole erillinen lupaus rajattomasta vastauspituudesta.

Julkaisu nimeää tärkeimmiksi tuetuiksi kieliksi muun muassa englannin, espanjan, ranskan, portugalin, hindin, saksan, hollannin ja italian sekä tarjoaa automaattisen kielentunnistuksen. Määritä puheen kääntämiseen lopullinen kieli ja alkuperäisessä muodossaan säilytettävät termit. Erota äänikysymyksessä tallenteen kieli kielestä, jolla vastaus tulee kirjoittaa.

Useat tallenteet ja jatkokysymykset

Kortti tukee useita äänisyötteitä yhdessä viestissä ja ääntä useilla käyttäjävuoroilla. Anna jokaiselle tallenteelle tunniste ja ilmoita rooli niitä vertailtaessa. Käytännön pyyntö voi vertailla puhutun selityksen kahta versiota, kysyä muuttuneita ehtoja ja palauttaa taulukon erillisine sarakkeineen kullekin tallenteelle. Tunnisteet auttavat pitämään mallin havainnot yhteydessä oikeaan lähteeseen.

Jatkokysymys voi säilyttää aiemman kysymyksen ja vastauksen sekä kysyä rajatumpaa yksityiskohtaa tai antaa uuden tallenteen. Pyydä esimerkiksi ensin keskustelun päätökset ja kysy sitten, mikä niistä liittyy tiettyyn vaatimukseen. Sama julkaisu havainnollistaa myös pelkkään tekstiin ja pelkkään ääneen perustuvia pyyntöjä. Tekstirunko voi käsitellä kirjallista kysymystä tai tulosta, kun taas ääniominaisuus tuo näyttöä puheesta.

Puheen ohjaamat funktiot

Valmistaja kuvaa funktiokutsuja puhutun aikomuksen pohjalta ja merkitsee julkaistun kortin funktiokutsuesimerkin kokeelliseksi tueksi. Työnkulussa sovellus määrittää funktion ja argumentit, malli valmistelee pyynnöstä kutsun ja sovellus suorittaa sen sekä antaa tuloksen. Puheohjattu haku voi siis palauttaa kirjallisen vastauksen liitetyn työkalun tiedoista. Funktiokutsu ei tarkoita, että malli automaattisesti hallitsisi ulkoista palvelua tai suorittaisi toimenpiteen pelkästään nimeämällä sen.

Pidä funktion tarkoitus ja tarvittavat tiedot täsmällisinä. Jos tallenne pyytää toimintoa mutta jättää pakollisen arvon pois, sovellus tarvitsee arvon silti funktion suorittamiseen. Erota puhuttu pyyntö, ehdotetut argumentit ja palautettu tulos, jotta seuraava vastaus voi viitata toiminnon todelliseen lopputulokseen.

Suositellut asetukset ja hyödylliset rajaukset

Äänen ymmärtämiseen ja keskusteluvastausten tuottamiseen kortti suosittelee temperature-arvoa 0.2 ja top-p-arvoa 0.95. Litterointiin se suosittelee temperature-arvoa 0.0. Kortti toteaa nimenomaisesti, ettei järjestelmäkehotteita tueta tässä julkaistussa käyttökulussa, joten sijoita tehtävä ja vastausvaatimukset käyttäjäsyötteeseen sen sijaan, että siirtäisit järjestelmäkehoteperiaatteen toisesta Mistral-mallista.

Valitse kysymyksen kannalta olennaisen aineiston sisältävä tallenne, pidä puhe selkeänä ja määritä, tuleeko tuloksen olla litteraatti, käännös, vastaus vai yhteenveto. Dokumentoitu tuloste on tekstiä. Puhuttu vastaus tarvitsee tekstistä puheeksi -komponentin, eikä puhujan tunnistamista, yksityiskohtaista puhujien erottelua tai sanakohtaisia aikaleimoja tule päätellä tämän tarkan julkaisun yleisestä äänenymmärtämisväitteestä.

Kortin 500 tokenin generointiesimerkit ovat esimerkkiasetuksia eivätkä erikseen ilmoitettu tulosteen enimmäiskapasiteetti. Säilytä 2507-versio, tehtäväkohtaiset kesto-ohjeet ja syötekieli toistettavaa työnkulkua valmisteltaessa. Hyödyllinen lopullinen artefakti on pyydetty teksti, joka on yhteydessä tallenteeseen ja muotoiltu seuraavaa asiakirja- tai sovellusvaihetta varten.