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 de modèle linguistique Mistral Small. Il accepte l’audio et le texte et renvoie du texte, notamment une transcription, une réponse sur l’enregistrement, une traduction ou un résumé structuré. Il s’agit de l’édition nommée 24B de compréhension de la parole, distincte de Voxtral Mini, des variantes de service optimisées pour la transcription et des publications Voxtral ultérieures de génération vocale ou en temps réel.

Transcription et compréhension audio

Le modèle possède 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 parlée elle-même plutôt qu’une interprétation ou un résumé. Précisez si le résultat doit conserver la langue originale ou être suivi d’une traduction demandée séparément.

La compréhension audio permet de poser une question directement sur un enregistrement, sans enchaîner d’abord un modèle séparé de reconnaissance vocale et un modèle textuel. Une demande peut porter sur le sujet discuté, la décision énoncée ou l’information de l’enregistrement qui répond à une question précise. Le résultat peut être une réponse concise ou un résumé organisé plutôt qu’une transcription complète de chaque mot prononcé.

Pour un résumé de réunion, fournissez l’enregistrement et définissez les champs à renvoyer : sujets, décisions explicitement énoncées et actions de suivi. Ne demandez les noms ou dates que lorsqu’ils sont réellement énoncés dans l’enregistrement, et gardez les détails non résolus séparés 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 32 k jetons et jusqu’à 30 minutes d’audio pour la transcription ou 40 minutes pour la compréhension. Les deux durées concernent des tâches différentes. Choisissez l’opération souhaitée avant de sélectionner l’enregistrement, et incluez l’instruction textuelle et la conversation dans la planification du contexte disponible. Un long enregistrement et une longue réponse écrite consomment tous deux des ressources ; l’indication de durée n’est pas une promesse distincte de longueur de réponse illimitée.

La publication 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 fournit la détection automatique de langue. Pour une traduction de parole, définissez la langue finale et les termes qui doivent garder leur forme originale. Pour une question sur de l’audio dans une langue, distinguez la langue de l’enregistrement de celle dans laquelle la réponse doit être écrite.

Enregistrements multiples et questions de suivi

La fiche prend en charge plusieurs entrées audio dans un message et de l’audio dans plusieurs tours 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 parlée, demander quelles conditions ont changé et renvoyer un tableau avec une colonne distincte par enregistrement. Les identifiants aident à garder 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 publication démontre aussi des demandes uniquement textuelles et uniquement audio. Sa base textuelle peut travailler sur la question ou le résultat écrit, 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’une intention parlée et qualifie d’expérimentale la prise en charge dans l’exemple d’appels de fonctions de la fiche publiée. Dans ce processus, l’application définit une fonction et ses arguments, le modèle prépare un appel à partir de la demande, puis l’application l’exécute et fournit le résultat. Une recherche vocale peut donc renvoyer une réponse écrite utilisant les informations d’un outil connecté. Les appels de fonctions ne signifient pas que le modèle possède automatiquement le service externe ou réalise une action en la nommant simplement.

Gardez explicites la finalité 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 la demande parlée, les arguments proposés et le résultat renvoyé afin que la réponse suivante puisse se référer à l’issue réelle de l’opération.

Réglages recommandés et limites utiles

Pour la compréhension audio et la complétion conversationnelle, 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 indique explicitement que les instructions 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 plutôt que de transférer une convention d’instruction système d’un autre modèle Mistral.

Sélectionnez 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 à mot ne doivent pas être déduits de l’affirmation générale de compréhension audio pour cette publication exacte.

Les exemples de génération de 500 jetons de la fiche sont des réglages d’exemple et non une capacité maximale de sortie énoncée séparément. Préservez l’édition 2507, les indications de durée propres à la 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.