Mistral: Voxtral Small 24B 2507 STT

Voxtral Small 1.0 24B 2507 ajoute l’entrée audio et la compréhension de la parole à une base linguistique Mistral Small. Il accepte audio et texte et renvoie du texte, notamment une transcription, une réponse sur l’enregistrement, une traduction ou un résumé structuré. Cette édition de compréhension vocale 24B est distincte de Voxtral Mini, des variantes de service optimisées pour la transcription et des versions ultérieures de génération vocale ou de temps réel.

Transcription et compréhension audio

Le modèle possède un mode dédié à la transcription pure. Le concepteur indique qu’il prédit automatiquement la langue source par défaut et transcrit en conséquence. Utilisez-le lorsque le livrable souhaité est la formulation prononcée elle-même plutôt qu’une interprétation ou synthèse. Précisez s’il faut conserver la langue originale ou ajouter une traduction demandée séparément.

La compréhension audio permet de poser directement une question sur un enregistrement sans enchaîner au préalable un modèle distinct de reconnaissance vocale puis un modèle textuel. Une requête peut demander le sujet discuté, la décision formulée ou l’information répondant à une question précise. Le résultat peut être une réponse concise ou une synthèse organisée plutôt qu’une transcription complète de chaque mot.

Pour résumer une réunion, fournissez l’enregistrement et définissez les champs : sujets, décisions explicitement énoncées et actions de suivi. Ne demandez noms ou dates que s’ils sont réellement mentionnés, et séparez les détails non résolus des décisions. Pour un entretien, demandez la réponse à une question particulière et le contexte permettant de la comprendre. Ces formats relient la tâche audio à un document exploitable ensuite.

Contexte, durée et langues

Le concepteur documente un contexte de 32 k tokens et des enregistrements jusqu’à 30 minutes pour la transcription ou 40 minutes pour la compréhension. Les deux durées ont des périmètres distincts. Choisissez l’opération avant l’enregistrement et incluez instruction textuelle et conversation dans la planification du contexte. Un long enregistrement et une longue réponse écrite consomment tous deux des ressources ; la durée annoncée n’est pas une promesse séparée de réponse illimitée.

La publication cite l’anglais, l’espagnol, le français, le portugais, l’hindi, l’allemand, le néerlandais et l’italien parmi les principales langues et propose la détection automatique. Pour traduire la parole, définissez la langue finale et les termes à conserver. Pour une question sur un audio dans une langue, distinguez langue de l’enregistrement et langue de la réponse.

Plusieurs enregistrements et questions complémentaires

La fiche permet plusieurs entrées audio dans un message et de l’audio dans plusieurs tours utilisateur. Donnez un identifiant et un rôle à chaque enregistrement lors des comparaisons. Une requête pratique peut comparer deux versions d’une explication orale, demander quelles conditions ont changé et renvoyer un tableau avec une colonne par enregistrement. Les identifiants associent les constats à la bonne source.

Un échange complémentaire peut conserver la question et la réponse antérieures tout en demandant un détail plus ciblé ou en fournissant un autre enregistrement. Par exemple, demandez d’abord les décisions d’une discussion, puis celle liée à une exigence précise. La même version montre aussi les requêtes textuelles seules et audio seules. Sa base textuelle traite la question ou le résultat écrit, tandis que l’audio fournit les éléments issus de la parole.

Fonctions pilotées par la voix

Le concepteur décrit les appels de fonctions à partir d’une intention parlée et qualifie d’expérimental le support montré dans la fiche. L’application définit une fonction et ses arguments, le modèle prépare l’appel à partir de la demande, puis l’application l’exécute et fournit le résultat. Une recherche vocale peut ainsi renvoyer une réponse écrite à partir d’un outil connecté. L’appel de fonction ne signifie pas que le modèle possède automatiquement le service externe ou réalise une action en la nommant.

Gardez explicites la finalité de la fonction et les informations requises. Si l’enregistrement demande une opération sans valeur obligatoire, l’application doit toujours obtenir cette valeur pour l’exécuter. Séparez demande parlée, arguments proposés et résultat renvoyé pour que la réponse suivante se réfère à l’issue réelle.

Réglages recommandés et périmètre utile

Pour la compréhension audio et la complétion de dialogue, la fiche recommande une température de 0,2 et top-p à 0.95. Pour la transcription, elle recommande une température de 0,0. Elle précise que les prompts système ne sont pas pris en charge dans ce processus publié : placez donc tâche et exigences de réponse dans l’entrée utilisateur plutôt que de transférer une convention système d’un autre modèle Mistral.

Choisissez un enregistrement contenant les éléments pertinents, avec une parole audible claire, et précisez s’il faut une transcription, traduction, réponse ou synthèse. La sortie documentée est du texte. Une réponse parlée nécessite un composant de synthèse vocale ; l’identification de locuteurs, une diarisation détaillée ou les horodatages mot à mot ne doivent pas être déduits de la compréhension audio générale de cette version exacte.

Les exemples de génération de 500 tokens ne sont pas une capacité maximale de sortie déclarée séparément. Préservez l’édition 2507, les durées propres à la tâche et la langue d’entrée pour préparer un processus répétable. Le livrable final utile est le texte demandé, lié à l’enregistrement et formaté pour l’étape documentaire ou applicative suivante.