Mistral: Voxtral Mini 3B 2507

Voxtral Mini 1.0 3B 2507 adalah model pemahaman teks dan audio ringkas dari Mistral AI yang dibangun di atas keluarga model bahasa Ministral 3B. Model ini menerima rekaman ucapan dan instruksi teks serta menghasilkan teks, termasuk transkrip, terjemahan, jawaban tentang audio, dan ringkasan terstruktur. Rilis Voxtral awal menempatkan model 3B ini untuk aplikasi ringkas atau lokal, bersama model Voxtral Small 24B yang terpisah. Model ini juga berbeda dari layanan Voxtral Mini Transcribe terhosting yang dioptimalkan untuk transkripsi.

Model memiliki mode transkripsi khusus yang secara bawaan otomatis memprediksi bahasa sumber dan mentranskripsikannya sesuai bahasa tersebut. Pilih mode itu ketika artefak yang diwajibkan adalah redaksi ucapan. Sebaliknya, pemahaman audio memungkinkan pertanyaan langsung atau permintaan ringkasan tentang rekaman tanpa memerlukan tahap pengenalan ucapan terpisah yang diikuti model teks. Dengan demikian, wawancara dapat menghasilkan transkrip lengkap, terjemahan, atau jawaban atas pertanyaan yang sempit; tentukan hasil mana yang dibutuhkan agar tugas berbeda tersebut tidak menjadi satu arahan yang ambigu.

Kartu rilis yang tepat ini mencantumkan konteks 32K token dan audio hingga 30 menit untuk transkripsi atau 40 menit untuk pemahaman. Ini adalah pernyataan durasi khusus tugas yang berbeda, bukan alokasi audio bersama untuk setiap operasi. Jaga rekaman, instruksi, dan percakapan yang relevan tetap dalam lingkup tugas yang dimaksud. Bahasa yang disebut pembuatnya adalah Inggris, Spanyol, Prancis, Portugis, Hindi, Jerman, Belanda, dan Italia, dengan deteksi bahasa otomatis. Untuk terjemahan atau jawaban, bedakan bahasa rekaman dari bahasa keluaran yang diwajibkan.

Beberapa masukan audio dalam satu pesan dan audio dalam beberapa giliran pengguna didukung. Berikan pengenal yang jelas pada setiap rekaman saat meminta perbandingan. Contoh asli dapat membandingkan dua penjelasan lisan dan mengembalikan persyaratan mana yang berubah, dengan kolom terpisah untuk setiap sumber. Tindak lanjut dapat meminta detail di balik satu temuan atau menyediakan rekaman lain. Kartu model juga mendemonstrasikan penggunaan teks saja dan audio saja, sehingga model dapat mengolah pertanyaan tertulis maupun bukti ucapan.

Untuk ringkasan rapat, berikan rekaman dan minta struktur yang berguna seperti topik, keputusan yang dinyatakan, dan tindakan tindak lanjut. Pisahkan nama, tanggal, atau tanggung jawab yang meragukan dari fakta yang diucapkan dengan jelas. Untuk wawancara, minta pernyataan yang menjawab pertanyaan tertentu dan konteks sekitar yang cukup untuk membuatnya dapat dipahami. Ini adalah rancangan tugas untuk artefak teks yang dapat digunakan; rancangan tersebut tidak mengubah pemahaman audio umum menjadi jaminan diarisasi, cap waktu kata, atau identifikasi pembicara yang tidak disebut namanya.

Pembuatnya menjelaskan pemanggilan fungsi dari maksud yang diucapkan. Dalam alur seperti itu, aplikasi menyediakan definisi fungsi, model mengusulkan pemanggilan dan argumen yang relevan, lalu aplikasi menjalankannya serta mengembalikan pengamatan. Karena itu, permintaan suara dapat memandu pencarian atau tugas berbantuan alat lainnya, tetapi usulan pemanggilan model berbeda dari tindakan yang telah dijalankan. Pertahankan hasil aktual yang dikembalikan saat melanjutkan percakapan agar jawaban berikutnya mencerminkan apa yang terjadi, bukan apa yang diminta.

Kartu penggunaan yang dirilis merekomendasikan temperature 0.0 untuk transkripsi, serta temperature 0.2 dengan top_p 0.95 untuk pemahaman audio dan percakapan. Kartu itu menyatakan bahwa prompt sistem tidak didukung dalam alur ini, jadi tempatkan tugas dan persyaratan respons dalam masukan pengguna. Contohnya mendekode rekaman menjadi masukan audio dan menyertakan materi MP3, tetapi tidak menetapkan daftar codec yang lengkap atau batas keras panjang keluaran maksimum yang terpisah. Pengaturan generasi 500 token dalam contoh tetap merupakan anggaran contoh.

Siapkan rekaman yang jelas dan memuat materi relevan dengan tugas, lalu tentukan apakah Anda memerlukan redaksi asli, terjemahan, jawaban, atau ringkasan. Kartu model juga mendemonstrasikan inferensi batch dengan beberapa percakapan, yaitu pola penggunaan pembuat yang terpisah dari identitas hasil individual. Pertahankan edisi 3B 2507 dan panduan durasi transkripsi versus pemahamannya; diarisasi, cakupan 13 bahasa, dan dukungan rekaman lebih panjang pada model Mini Transcribe 2 berikutnya merupakan fitur pembuat yang terpisah.