Mistral: Voxtral Mini Transcribe

Voxtral Mini Transcribe 2は、開発元のモデルカードでvoxtral-mini-2602と識別される、Mistral AIの文字起こし特化型Voxtralです。元のVoxtral Mini 3Bの幅広い質問応答の役割とは異なり、録音を使うバッチ文字起こし向けに設計されています。入力は音声、結果は文字起こしテキストで、任意で話者ラベルや時間情報を追加できます。会議の議事録、インタビュー分析、複数人の通話記録、録音メディアと対応するテキストなどに利用できます。

開発元は話者分離と開始・終了時刻を文書化し、誰がいつ話したかを文字起こしに示せるようにしています。単語単位のタイムスタンプは、字幕、音声検索、文章と録音内の位置の対応に役立ちます。開発元ガイドでは、区間または単語のタイムスタンプ粒度を選べます。インタビューなら発言者と時刻を付けた文章の列が、字幕準備なら単語や区間の時刻が有用です。単純な文字起こしから時刻を推測せず、後の字幕作成の指針にできます。

コンテキストバイアスは最大100の単語やフレーズを受け取り、名前、技術用語、専門語彙を意図した綴りへ誘導します。Mistralは、英語に最適化され、他言語は実験的な対応としています。無関係な用語集ではなく、録音のテーマに合う語彙リストを用意してください。独自の例として、技術的な議論に出そうなプロジェクト名と専門用語を渡し、完成した文字起こしで綴りを確認できます。

この版は、英語、中国語、ヒンディー語、スペイン語、アラビア語、フランス語、ポルトガル語、ロシア語、ドイツ語、日本語、韓国語、イタリア語、オランダ語の13言語に対応します。開発元は、ノイズへの強さと、1リクエストで最大3時間の録音も文書化しています。これらはMini Transcribe 2の録音ワークフローに属します。元の2507音声理解モデルのコンテキストや時間の記載は別のリリースの説明です。自動言語検出を利用でき、ガイドは既知の音声言語を明示すると文字起こし精度を改善できるとしています。

文書化された開発元のワークフローでは、アップロードしたファイル、アップロード済みファイルの識別子、参照された録音として音声を提供できます。付随するアップロードのデモはMP3、WAV、M4A、FLAC、OGGを受け付けるため、実演されたアップロード方法ではこれらの形式を選んでください。録音をデコード可能にし、関連する発話を含めます。長い資料では識別子と時間の起点を保持し、後の抜粋や編集も原資料まで追跡できるようにします。

文字起こしのリファレンスは、テキストと検出言語を返し、要求した場合は区間も返します。ストリーミングの文字起こしイベントも別に文書化しています。話者分離は任意で、既定値はfalseです。ガイドはtimestamp_granularitiesと明示的なlanguage設定が現在は併用できないと説明しているため、組み合わせずに、時間情報のワークフローか手動の言語ヒントを選びます。話者ラベル、語彙バイアス、時間情報は、基本リクエストにあると仮定せず、求める結果に合わせて選んでください。

重なった発話は実質的な制限です。Mistralによると、話者が重なると通常は1人だけを文字起こしします。したがって、ラベル付きの文字起こしを、同時に話されたすべての発言の完全な記録と見なすべきではありません。会議記録では、難しい重なりや重要な名前・数値を録音と照合します。モデルの目的は文字起こしです。要約、翻訳、分析は、その文字起こしを使う別タスクにできます。Voxtral Realtimeのリアルタイム文字起こしには別の遅延仕様があり、音声生成は他のモデルに属します。

次の用途に向けて結果を準備します。会議のワークフローでは、別の段階で決定事項を抽出する前に、本文、話者ラベル、時刻を保持できます。メディアのワークフローでは、時刻で文章の場所を探し、字幕を下書きできます。専門用語の多い録音では、絞り込んだコンテキストバイアスのリストと、結果の綴りの確認を含められます。有用な成果物は、元の録音と設定したメタデータに結び付くテキストです。この番号付き文字起こし版を、元のMiniや更新に追従するlatest名と区別してください。