Mistral: Voxtral Small 24B 2507 STT

A Voxtral Small 1.0 24B 2507 hangbemenettel és beszédértelmezéssel bővíti a Mistral Small nyelvimodell-alapját. Hangot és szöveget fogad, és szöveget ad vissza, például átiratot, felvétellel kapcsolatos választ, fordítást vagy strukturált összefoglalót. Ez a megnevezett 24B beszédértelmező kiadás, amely elkülönül a Voxtral Minitől, az átírásra optimalizált szolgáltatási változatoktól és a későbbi Voxtral beszédgeneráló vagy valós idejű kiadásoktól.

Átírás és hangértelmezés

A modellnek dedikált, tisztán átírási módja van. A gyártó szerint alapértelmezésben automatikusan megbecsüli a forráshang nyelvét, és ennek megfelelően írja át. Ezt a módot használd, ha a kívánt eredményanyag maga az elhangzott megfogalmazás, nem értelmezés vagy összefoglaló. Azonosítsd, hogy az eredmény őrizze-e meg az eredeti nyelvet, vagy külön kért fordítás kövesse.

A hangértelmezés lehetővé teszi, hogy közvetlenül kérdezz egy felvételről, külön beszédfelismerő és szöveges modell előzetes összekapcsolása nélkül. Kérheted, milyen témáról beszéltek, milyen döntést mondtak ki, vagy a felvétel mely információja válaszol egy konkrét kérdésre. Az eredmény tömör válasz vagy rendezett összefoglaló lehet minden elhangzott szó teljes átirata helyett.

Megbeszélési összefoglalóhoz add meg a felvételt és a visszaadandó mezőket: témák, kifejezetten kimondott döntések és követő műveletek. Neveket vagy dátumokat csak akkor kérj, ha azok ténylegesen elhangzanak a felvételen, a tisztázatlan részleteket pedig tartsd külön a döntésektől. Interjúnál kérd egy konkrét kérdés válaszát és az érthetőségét biztosító környező kontextust. Ezek a kimeneti megoldások a hangfeladatot később használható dokumentumhoz kapcsolják.

Kontextus, időtartam és nyelvek

A gyártó 32 ezer tokenes kontextust és legfeljebb 30 perces hangot dokumentál átíráshoz, illetve 40 perceset értelmezéshez. A két időtartam eltérő feladatkörre vonatkozik. A felvétel kiválasztása előtt válaszd ki a kívánt műveletet, és a rendelkezésre álló kontextus tervezésekor a szöveges utasítást és beszélgetést is számítsd bele. Egy hosszú felvétel és egy hosszú írott válasz egyaránt erőforrást fogyaszt; az időtartamra vonatkozó állítás nem külön ígéret korlátlan válaszhosszra.

A kiadás fő támogatott nyelvei között az angolt, spanyolt, franciát, portugált, hindit, németet, hollandot és olaszt azonosítja, és automatikus nyelvfelismerést biztosít. Beszédfordításhoz add meg a célnyelvet és az eredeti formában megőrzendő kifejezéseket. Egy adott nyelvű hanggal kapcsolatos kérdésnél különböztesd meg a felvétel nyelvét a válasz kívánt írott nyelvétől.

Több felvétel és további kérdések

A kártya támogat több hangbemenetet egy üzenetben és hangot több felhasználói fordulóban. Összehasonlításnál minden felvételnek adj azonosítót, és add meg szerepét. Gyakorlati kérés összevetheti egy elhangzott magyarázat két változatát, megkérdezheti, mely feltételek változtak, és felvételenként külön oszlopot tartalmazó táblázatot adhat vissza. Az azonosítók segítenek a modell megállapításait a megfelelő forráshoz kötni.

További kérdés megtarthatja a korábbi kérdést és választ, miközben szűkebb részletre kérdez vagy újabb felvételt ad meg. Először kérheted például egy megbeszélés döntéseit, majd megkérdezheted, mely döntés kapcsolódik egy adott követelményhez. Ugyanez a kiadás csak szöveges és csak hangos kéréseket is bemutat. Szöveges alapja az írott kérdésen vagy eredményen dolgozhat, a hangképesség pedig a beszéd bizonyítékát adja.

Hanggal vezérelt függvények

A gyártó szóbeli szándékból történő függvényhívást ír le, és a kiadott kártya függvényhívási példáját kísérleti támogatásként jelöli. E munkafolyamatban az alkalmazás meghatároz egy függvényt és argumentumait, a modell hívást készít a kérésből, az alkalmazás pedig végrehajtja és megadja az eredményt. Hangalapú lekérdezés ezért írott választ adhat kapcsolódó eszközből származó információval. A függvényhívás nem jelenti, hogy a modell automatikusan birtokolja a külső szolgáltatást vagy pusztán a művelet megnevezésével végrehajtja azt.

A függvény célja és a szükséges információ maradjon egyértelmű. Ha a felvétel műveletet kér, de elhagy egy kötelező értéket, az alkalmazásnak továbbra is szüksége van arra a függvény végrehajtásához. Különítsd el az elhangzott kérést, a javasolt argumentumokat és a visszaadott eredményt, hogy a következő válasz a tényleges műveleti kimenetelre utalhasson.

Ajánlott beállítások és hasznos határok

Hangértelmezéshez és társalgási válaszgeneráláshoz a kártya 0.2 temperature és 0.95 top-p értéket ajánl. Átíráshoz 0.0 temperature értéket ajánl. Kifejezetten kijelenti, hogy a rendszerpromptok nem támogatottak ebben a kiadott használati folyamatban, ezért a feladatot és válaszkövetelményeket a felhasználói bemenetbe helyezd, ne más Mistral-modell rendszerprompt-konvencióját vidd át.

A kérdéshez releváns anyagot tartalmazó felvételt válassz, az elhangzó beszéd legyen tiszta, és add meg, hogy átiratot, fordítást, választ vagy összefoglalót kérsz. A dokumentált kimenet szöveg. Beszélt válaszhoz szövegfelolvasó komponens szükséges, a beszélő azonosítását, a részletes beszélőszétválasztást vagy a szószintű időbélyegeket pedig nem szabad az általános hangértelmezési állításból kikövetkeztetni ennél a pontos kiadásnál.

A kártya 500 tokenes generálási példái példabeállítások, nem külön megadott maximális kimeneti kapacitás. Ismételhető munkafolyamat előkészítésekor őrizd meg a 2507 kiadást, a feladatspecifikus időtartam-útmutatást és a bemeneti nyelvet. A hasznos végső eredményanyag a kért szöveg, a felvételhez kapcsolva és a következő dokumentum- vagy alkalmazási lépéshez formázva.