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 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 version Voxtral initiale destine ce modèle 3B aux applications compactes ou locales, aux côtés du modèle distinct Voxtral Small 24B. 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 prononcée. La compréhension audio permet plutôt une question directe ou une demande de résumé sur un enregistrement, sans exiger 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 ciblée ; précisez le résultat nécessaire pour éviter de réunir ces tâches différentes dans une consigne ambiguë.

La fiche exacte de la version indique un contexte de 32K tokens et des audios atteignant 30 minutes pour la transcription ou 40 minutes pour la compréhension. Ce sont des durées différentes selon la tâche, et non une autorisation audio commune à toute opération. Gardez l’enregistrement pertinent, les instructions et la conversation dans le périmètre 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 l’audio sur plusieurs échanges utilisateur sont pris en charge. Donnez à chaque enregistrement un identifiant clair lors des comparaisons. Un exemple original pourrait comparer deux explications orales et indiquer quelles exigences ont changé, avec une colonne séparée pour chaque source. Une question de suivi peut demander le détail derrière un constat ou fournir un autre enregistrement. La fiche montre aussi les usages purement textuels ou purement audio, permettant 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 sujets, décisions énoncées et actions de suivi. Séparez les noms, dates ou responsabilités incertains des faits clairement prononcés. Pour un entretien, demandez l’énoncé répondant à une question précise et suffisamment de contexte pour le comprendre. Ces conceptions de tâche produisent un livrable textuel utilisable ; elles ne transforment pas la compréhension audio générale en garantie de diarisation, d’horodatages mot par mot ou d’identification d’un locuteur non nommé.

Le fabricant décrit l’appel de fonctions à partir d’intentions orales. Dans ce 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 outillée, mais l’appel proposé se distingue d’une action exécutée. Préservez le résultat réel retourné lorsque vous poursuivez la conversation afin qu’une réponse ultérieure reflète ce qui s’est passé plutôt que ce qui a été demandé.

La fiche d’utilisation publiée recommande temperature 0.0 pour la transcription, et temperature 0.2 avec top_p 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 donc la tâche et les exigences de réponse dans l’entrée utilisateur. Ses exemples décodent les enregistrements en entrées audio et comprennent du MP3, mais n’établissent ni liste exhaustive de codecs ni longueur maximale stricte séparée de sortie. Le réglage de génération de 500 tokens reste un budget d’exemple.

Préparez un enregistrement clair contenant les éléments pertinents et précisez si vous souhaitez la formulation originale, une traduction, une réponse ou un résumé. La fiche montre 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 recommandations 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 distinctes du producteur.