Mistral: Voxtral Mini 3B 2507

Voxtral Mini 1.0 3B 2507 è il modello compatto di Mistral AI per la comprensione di testo e audio, costruito sulla famiglia linguistica Ministral 3B. Accetta registrazioni del parlato e istruzioni testuali e produce testo, inclusi trascrizioni, traduzioni, risposte sull’audio e riepiloghi strutturati. Il rilascio originale Voxtral propone questo modello da 3 miliardi di parametri per applicazioni compatte o locali, accanto al modello separato Voxtral Small da 24 miliardi. È distinto anche dal servizio erogato Voxtral Mini Transcribe ottimizzato per la trascrizione.

Il modello ha una modalità dedicata alla trascrizione che, per impostazione predefinita, predice automaticamente la lingua sorgente e trascrive di conseguenza. Scegli quella modalità quando l’elaborato richiesto è la formulazione parlata. La comprensione dell’audio permette invece una domanda diretta o una richiesta di riepilogo su una registrazione, senza richiedere una fase separata di riconoscimento vocale seguita da un modello testuale. Un’intervista può quindi produrre una trascrizione completa, una traduzione o una risposta a una domanda circoscritta; specifica quale risultato serve, affinché quei compiti diversi non diventino un brief ambiguo.

La scheda esatta del rilascio indica un contesto di 32K token e audio fino a 30 minuti per trascrizione o 40 minuti per comprensione. Sono indicazioni di durata diverse e specifiche del compito, non una disponibilità audio condivisa per ogni operazione. Mantieni registrazione pertinente, istruzioni e conversazione nell’ambito previsto del compito. Le lingue nominate dal produttore sono inglese, spagnolo, francese, portoghese, hindi, tedesco, olandese e italiano, con rilevamento automatico della lingua. Per una traduzione o risposta, distingui la lingua della registrazione da quella richiesta per l’output.

Sono supportati più input audio in un messaggio e audio in più turni utente. Assegna un identificatore chiaro a ogni registrazione quando chiedi confronti. Un esempio originale può confrontare due spiegazioni parlate e restituire quali requisiti siano cambiati, con una colonna separata per ogni fonte. Una domanda successiva può chiedere il dettaglio dietro a un risultato o fornire un’altra registrazione. La scheda dimostra anche uso solo testuale e solo audio, consentendo al modello di lavorare sulla domanda scritta e sulle evidenze del parlato.

Per un riepilogo di riunione, fornisci la registrazione e chiedi una struttura utile come argomenti, decisioni dichiarate e azioni successive. Mantieni nomi, date o responsabilità incerti separati dai fatti pronunciati chiaramente. Per un’intervista, chiedi l’affermazione che risponde a una domanda particolare e contesto circostante sufficiente a renderla comprensibile. Sono progettazioni del compito per un elaborato testuale utilizzabile; non trasformano la comprensione generale dell’audio in una garanzia di diarizzazione, timestamp delle parole o identificazione di un parlante non nominato.

Il produttore descrive chiamate di funzione dall’intento parlato. In un simile flusso, l’applicazione fornisce definizioni delle funzioni, il modello propone chiamata e argomenti pertinenti e l’applicazione li esegue e restituisce l’osservazione. Una richiesta vocale può quindi guidare una ricerca o un altro compito assistito da strumenti, ma la chiamata proposta del modello è distinta da un’azione eseguita. Conserva il risultato effettivamente restituito quando continui la conversazione, affinché una risposta successiva rifletta ciò che è accaduto, anziché ciò che è stato richiesto.

La scheda d’uso rilasciata raccomanda temperatura 0.0 per la trascrizione e temperatura 0.2 con top_p 0.95 per comprensione dell’audio e chat. Dichiara che i prompt di sistema non sono supportati in questo flusso, quindi inserisci compito e requisiti della risposta nell’input utente. Gli esempi decodificano registrazioni in input audio e includono materiale MP3, ma non stabiliscono un elenco esaustivo di codec o una lunghezza massima rigida separata dell’output. L’impostazione di generazione da 500 token negli esempi resta un budget esemplificativo.

Prepara una registrazione chiara contenente il materiale pertinente al compito e specifica se servono formulazione originale, traduzione, risposta o riepilogo. La scheda dimostra anche inferenza batch con più conversazioni, uno schema d’uso del produttore separato dall’identità di un singolo risultato. Conserva l’edizione 3B 2507 e le sue indicazioni di durata per trascrizione rispetto a comprensione; diarizzazione, profilo a 13 lingue e supporto a registrazioni più lunghe del successivo modello Mini Transcribe 2 sono funzionalità separate del produttore.