Mistral: Voxtral Mini 3B 2507

Voxtral Mini 1.0 3B 2507 est le modèle compact de compréhension textuelle et audio de Mistral AI construit sur la famille linguistique Ministral 3B. Il accepte enregistrements de parole et instructions textuelles et produit du texte : transcriptions, traductions, réponses sur l’audio et synthèses structurées. La publication originale destine ce modèle 3B aux applications compactes ou locales, à côté du modèle distinct Voxtral Small 24B. Il diffère aussi du service hébergé Voxtral Mini Transcribe optimisé pour la transcription.

Le modèle possède un mode dédié de transcription qui prédit automatiquement la langue source par défaut et transcrit en conséquence. Choisissez-le lorsque le livrable requis est la formulation prononcée. La compréhension audio permet plutôt une question directe ou une demande de résumé sans reconnaissance vocale distincte préalable suivie d’un modèle textuel. Un entretien peut ainsi produire une transcription complète, une traduction ou une réponse ciblée ; précisez le résultat nécessaire pour éviter un cahier des charges ambigu.

La fiche exacte indique un contexte de 32 k tokens et de l’audio jusqu’à 30 minutes pour la transcription ou 40 minutes pour la compréhension. Ce sont des durées propres à des tâches différentes, pas une allocation commune à toutes les opérations. Gardez l’enregistrement pertinent, les instructions et la conversation dans le périmètre prévu. Les langues nommées sont l’anglais, l’espagnol, le français, le portugais, l’hindi, l’allemand, le néerlandais et l’italien, avec détection automatique. Pour une traduction ou réponse, distinguez langue de l’enregistrement et langue de sortie requise.

Plusieurs entrées audio dans un message et de l’audio sur plusieurs tours utilisateur sont pris en charge. Donnez un identifiant clair à chaque enregistrement lors des comparaisons. Un exemple pourrait comparer deux explications parlées et indiquer les exigences modifiées avec une colonne par source. Un échange complémentaire peut approfondir un constat ou fournir un autre enregistrement. La fiche montre aussi les usages textuels seuls et audio seuls, permettant de traiter la question écrite et les éléments de parole.

Pour une synthèse de réunion, fournissez l’enregistrement et demandez une structure utile, par exemple sujets, décisions formulées et actions de suivi. Séparez noms, dates ou responsabilités incertains des faits clairement prononcés. Pour un entretien, demandez l’énoncé répondant à une question particulière avec assez de contexte pour le comprendre. Ces formats produisent un livrable textuel exploitable ; ils ne transforment pas la compréhension générale en garantie de diarisation, d’horodatages mot à mot ou d’identification d’un locuteur non nommé.

Le fabricant décrit les appels de fonctions à partir d’une intention parlée. L’application fournit les définitions, le modèle propose l’appel et les arguments pertinents, puis l’application l’exécute et renvoie l’observation. Une demande vocale peut donc guider une recherche ou une autre tâche avec outils, mais l’appel proposé diffère d’une action exécutée. Préservez le résultat réellement renvoyé pour que la suite reflète ce qui s’est passé plutôt que ce qui a été demandé.

La fiche d’usage recommande une température de 0,0 pour la transcription, et de 0,2 avec top_p à 0.95 pour la compréhension audio et le dialogue. Elle indique que les prompts système ne sont pas pris en charge dans ce processus : placez tâche et exigences de réponse dans l’entrée utilisateur. Les exemples décodent les enregistrements en entrées audio et incluent du MP3, mais n’établissent ni liste exhaustive de codecs ni longueur maximale stricte de sortie indépendante. Le réglage de génération de 500 tokens reste un budget d’exemple.

Préparez un enregistrement clair contenant les éléments pertinents et précisez si vous voulez formulation originale, traduction, réponse ou synthèse. La fiche montre aussi l’inférence par lots de plusieurs conversations, un usage du producteur distinct de l’identité de chaque résultat. Préservez l’édition 3B 2507 et ses durées distinctes de transcription et de compréhension ; la diarisation, les 13 langues et les enregistrements plus longs de Mini Transcribe 2 sont des fonctions séparées du producteur.