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 de modèles linguistiques Ministral 3B. Il accepte des enregistrements de parole et des instructions textuelles et produit du texte, notamment des transcriptions, des traductions, des réponses sur l’audio et des résumés structurés. La publication initiale Voxtral destine ce modèle 3B aux applications compactes ou locales, aux côtés du modèle Voxtral Small 24B séparé. Il est aussi distinct 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 ce mode lorsque le livrable requis est la formulation parlée. La compréhension audio permet, elle, de poser une question directe ou de demander un résumé sur un enregistrement, sans nécessiter une étape séparée de reconnaissance vocale suivie d’un modèle textuel. Un entretien peut donc produire une transcription complète, une traduction ou une réponse à une question précise ; indiquez le résultat nécessaire afin que ces tâches différentes ne deviennent pas une mission ambiguë unique.

La fiche exacte de la publication indique un contexte de 32 K jetons et jusqu’à 30 minutes d’audio pour la transcription ou 40 minutes pour la compréhension. Ce sont des durées distinctes propres à chaque tâche, et non une allocation audio commune à toutes les opérations. Gardez l’enregistrement, les instructions et la conversation pertinents dans le périmètre de tâche prévu. Les langues nommées par le fabricant sont l’anglais, l’espagnol, le français, le portugais, l’hindi, l’allemand, le néerlandais et l’italien, avec détection automatique de langue. Pour une traduction ou une réponse, distinguez la langue de l’enregistrement de la langue de sortie requise.

Plusieurs entrées audio dans un message et de l’audio au fil de plusieurs tours utilisateur sont pris en charge. Donnez un identifiant clair à chaque enregistrement lorsque vous demandez des comparaisons. Un exemple original peut comparer deux explications parlées et indiquer les exigences qui ont changé, avec une colonne distincte par source. Une question de suivi peut demander le détail derrière un constat ou fournir un autre enregistrement. La fiche démontre aussi l’utilisation uniquement textuelle et uniquement audio, permettant au modèle de travailler sur la question écrite comme sur les éléments de parole.

Pour un résumé de réunion, fournissez l’enregistrement et demandez une structure utile comme les sujets, les décisions énoncées et les actions de suivi. Gardez les noms, dates ou responsabilités incertains séparés des faits clairement prononcés. Pour un entretien, demandez l’énoncé qui répond à une question particulière et suffisamment de contexte environnant pour le rendre compréhensible. Ce sont des conceptions de tâches visant un livrable textuel utilisable ; elles ne transforment pas la compréhension audio 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. Dans un tel processus, l’application fournit les définitions de fonctions, 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 assistée par outils, mais l’appel proposé par le modèle se distingue d’une action exécutée. Préservez le résultat réellement renvoyé lorsque vous poursuivez la conversation afin qu’une réponse ultérieure reflète ce qui s’est produit plutôt que ce qui a été demandé.

La fiche d’utilisation publiée recommande une température de 0.0 pour la transcription, et une température de 0.2 avec top_p à 0.95 pour la compréhension audio et la conversation. Elle indique que les instructions système ne sont pas prises en charge dans ce processus ; placez donc la tâche et les exigences de réponse dans l’entrée utilisateur. Ses exemples décodent les enregistrements en entrées audio et comprennent des contenus MP3, mais ils n’établissent ni une liste exhaustive de codecs ni une longueur maximale stricte distincte de sortie. Le réglage de génération de 500 jetons des exemples reste un budget d’exemple.

Préparez un enregistrement clair contenant les éléments pertinents pour la tâche et précisez si vous avez besoin de la formulation originale, d’une traduction, d’une réponse ou d’un résumé. La fiche démontre aussi l’inférence par lots avec plusieurs conversations, un schéma d’utilisation du producteur distinct de l’identité d’un résultat individuel. Préservez l’édition 3B 2507 et ses indications de durée distinguant transcription et compréhension ; la diarisation, le profil de 13 langues et la prise en charge d’enregistrements plus longs du modèle ultérieur Mini Transcribe 2 sont des fonctions séparées du producteur.