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. C’est l’édition nommée de compréhension de la parole de 24 milliards de paramètres, distincte de Voxtral Mini, des variantes de service optimisées pour la transcription et des versions Voxtral ultérieures de génération vocale ou de temps réel.

Transcription et compréhension audio

Le modèle dispose d’un mode dédié de transcription pure. Le fabricant indique qu’il prédit automatiquement la langue de l’audio source par défaut et transcrit en conséquence. Utilisez ce mode lorsque le livrable souhaité est la formulation prononcée elle-même plutôt qu’une interprétation ou un résumé. Indiquez si le résultat doit conserver la langue originale ou être suivi d’une traduction demandée séparément.

La compréhension audio permet de poser directement une question sur un enregistrement, sans enchaîner d’abord un modèle de reconnaissance vocale séparé et un modèle textuel. Une requête peut demander quel sujet a été abordé, quelle décision a été énoncée ou quelle information de l’enregistrement répond à une question précise. Le résultat peut être une réponse concise ou un résumé organisé plutôt qu’une transcription intégrale de chaque mot prononcé.

Pour un résumé de réunion, fournissez l’enregistrement et définissez les champs à retourner : sujets, décisions explicitement énoncées et actions de suivi. Ne demandez noms ou dates que lorsque l’enregistrement les indique réellement et séparez les détails non résolus des décisions. Pour un entretien, demandez la réponse à une question particulière et le contexte environnant qui la rend compréhensible. Ces conceptions de sortie relient la tâche audio à un document utilisable ensuite.

Contexte, durée et langues

Le fabricant documente un contexte de 32k jetons et des audios atteignant 30 minutes pour la transcription ou 40 minutes pour la compréhension. Ces deux durées ont des périmètres de tâche différents. Choisissez l’opération souhaitée avant de sélectionner l’enregistrement, et incluez l’instruction textuelle et la conversation dans la planification du contexte disponible. Un enregistrement long et une réponse écrite longue consomment tous deux des ressources; l’indication de durée n’est pas une promesse distincte de longueur de réponse illimitée.

La version identifie l’anglais, l’espagnol, le français, le portugais, l’hindi, l’allemand, le néerlandais et l’italien parmi ses principales langues prises en charge et propose la détection automatique de langue. Pour la traduction de parole, définissez la langue finale et les termes à conserver dans leur forme originale. Pour une question sur un audio dans une langue, distinguez la langue de l’enregistrement de celle de la réponse écrite.

Plusieurs enregistrements et questions de suivi

La fiche prend en charge plusieurs entrées audio dans un message et l’audio dans plusieurs échanges utilisateur. Donnez un identifiant à chaque enregistrement et indiquez son rôle lorsque vous les comparez. Une demande pratique peut comparer deux versions d’une explication orale, demander quelles conditions ont changé et retourner un tableau avec une colonne distincte pour chaque enregistrement. Les identifiants aident à conserver les constats du modèle associés à la bonne source.

Une question de suivi peut conserver la question et la réponse précédentes tout en demandant un détail plus précis ou en fournissant un autre enregistrement. Par exemple, demandez d’abord les décisions d’une discussion, puis quelle décision concerne une exigence particulière. La même version montre aussi des requêtes uniquement textuelles ou uniquement audio. Sa base textuelle peut traiter la question écrite ou le résultat, tandis que la capacité audio fournit les éléments issus de la parole.

Fonctions pilotées par la voix

Le fabricant décrit les appels de fonctions à partir d’intentions orales et qualifie l’exemple d’appel de fonctions de la fiche publiée de prise en charge expérimentale. Dans ce processus, l’application définit une fonction et ses arguments, le modèle prépare un appel à partir de la demande, et l’application l’exécute et fournit le résultat. Une recherche vocale peut donc retourner une réponse écrite utilisant des informations d’un outil connecté. L’appel de fonctions ne signifie pas que le modèle possède automatiquement le service externe ou effectue une action simplement en la nommant.

Gardez explicites l’objectif de la fonction et les informations requises. Si l’enregistrement demande une opération mais omet une valeur obligatoire, l’application a toujours besoin de cette valeur pour exécuter la fonction. Séparez demande orale, arguments proposés et résultat retourné afin que la réponse suivante puisse faire référence au résultat réel de l’opération.

Réglages recommandés et limites utiles

Pour la compréhension audio et la complétion de dialogue, la fiche recommande temperature 0.2 et top-p 0.95. Pour la transcription, elle recommande temperature 0.0. Elle indique explicitement que les invites système ne sont pas prises en charge dans ce processus d’utilisation publié; placez donc la tâche et les exigences de réponse dans l’entrée utilisateur au lieu de transférer la convention d’invite système d’un autre modèle Mistral.

Choisissez un enregistrement contenant les éléments pertinents pour la question, gardez la parole audible claire et précisez si le résultat doit être une transcription, une traduction, une réponse ou un résumé. La sortie documentée est textuelle. Une réponse parlée nécessite un composant de synthèse vocale, et l’identification des locuteurs, la diarisation détaillée ou les horodatages mot par mot ne doivent pas être déduits de l’affirmation générale de compréhension audio pour cette version exacte.

Les exemples de génération de 500 jetons de la fiche sont des réglages d’exemple, et non une capacité maximale de sortie indiquée séparément. Préservez l’édition 2507, les recommandations de durée propres à chaque tâche et la langue d’entrée lors de la préparation d’un processus reproductible. Le livrable final utile est le texte demandé, relié à l’enregistrement et formaté pour l’étape documentaire ou applicative suivante.