Mistral: Voxtral Mini 3B 2507

Voxtral Mini 1.0 3B 2507は、Ministral 3Bの言語モデルファミリーを基にした、Mistral AIのコンパクトなテキスト・音声理解モデルです。発話の録音と文章の指示を受け取り、文字起こし、翻訳、音声への回答、構造化要約などをテキストで生成します。最初のVoxtralリリースは、別個の24B Voxtral Smallと並び、この3Bモデルを小規模・ローカルのアプリケーション向けに位置付けています。提供サービスで文字起こしに最適化されたVoxtral Mini Transcribeとも区別されます。

専用の文字起こしモードがあり、既定で元言語を自動推定し、それに合わせて文字起こしします。話された言葉が必要な成果物なら、このモードを選びます。一方、音声理解では、別の音声認識段階とテキストモデルを組み合わせず、録音について直接質問したり要約を求めたりできます。したがってインタビューから全文の文字起こし、翻訳、狭い質問への回答を得られます。異なるタスクが1つの曖昧な依頼にならないよう、必要な結果を指定してください。

このリリースのカードは、32Kトークンのコンテキストと、文字起こしでは最大30分、理解では最大40分の音声を挙げています。これらは異なるタスクごとの時間記載であり、すべての操作に共通する音声許容量ではありません。関連する録音、指示、会話を意図したタスクの範囲に収めます。開発元が挙げる言語は、英語、スペイン語、フランス語、ポルトガル語、ヒンディー語、ドイツ語、オランダ語、イタリア語で、自動言語検出に対応します。翻訳や回答では、録音の言語と必要な出力言語を区別します。

1メッセージ内の複数音声入力と、複数ユーザーターンにわたる音声に対応します。比較を求めるときは、各録音に明確な識別子を付けます。独自の例では、口頭説明を2つ比較し、資料ごとに別の列を設けて、どの要件が変わったかを返せます。追加質問では、発見事項1つの詳細を尋ねたり、別の録音を提示したりできます。カードはテキストのみ・音声のみの利用も実演し、文章の質問と発話の根拠の両方を扱えるようにしています。

会議の要約では録音を示し、話題、述べられた決定、フォローアップの行動などの有用な構造を求めます。不確かな名前、日付、担当者は、明瞭に話された事実と分けてください。インタビューでは、特定の質問に答える発言と、理解に必要な周辺の文脈を求めます。これらは使えるテキスト成果物のためのタスク設計であり、一般的な音声理解が話者分離、単語の時刻、名前が示されていない話者の特定を保証するわけではありません。

開発元は、話された意図からの関数呼び出しを説明しています。そのワークフローでは、アプリケーションが関数定義を提供し、モデルが関連する呼び出しと引数を提案し、アプリケーションが実行して観測を返します。音声の依頼は検索や他のツール利用タスクを導けますが、モデルの呼び出し提案は実行済みの操作とは異なります。続ける際は実際の結果を保持し、後の回答が要求内容ではなく実際に起きたことを反映するようにしてください。

公開利用カードは、文字起こしにtemperature 0.0、音声理解とチャットにtemperature 0.2、top_p 0.95を推奨しています。このフローではシステムプロンプトを利用できないため、タスクと回答要件をユーザー入力に置きます。例では録音を音声入力へデコードし、MP3素材も含みますが、網羅的なコーデック一覧や独立した厳密な最大出力長を確定するものではありません。例の500トークン生成設定は、あくまで予算の例です。

タスクに関係する内容を含む明瞭な録音を用意し、元の文言、翻訳、回答、要約のどれが必要かを指定します。カードは複数会話を使うバッチ推論も実演していますが、それは開発元の利用パターンであり、個別結果の識別情報とは別です。3B 2507版と、文字起こし・理解で異なる時間指針を維持してください。後のMini Transcribe 2の話者分離、13言語の仕様、長時間録音への対応は、別の開発元機能です。