Mistral: Voxtral Mini 3B 2507

Voxtral Mini 1.0 3B 2507 ialah model pemahaman teks dan audio ringkas Mistral AI yang dibina berasaskan keluarga model bahasa Ministral 3B. Ia menerima rakaman pertuturan dan arahan teks serta menghasilkan teks, termasuk transkrip, terjemahan, jawapan tentang audio dan ringkasan berstruktur. Keluaran Voxtral asal menyasarkan model 3B ini untuk aplikasi ringkas atau setempat, bersama model Voxtral Small 24B yang berasingan. Ia juga berbeza daripada perkhidmatan Voxtral Mini Transcribe berhos yang dioptimumkan untuk transkripsi.

Model mempunyai mod transkripsi khusus yang meramal bahasa sumber secara automatik secara lalai dan mentranskripsikannya mengikut bahasa tersebut. Pilih mod itu apabila artifak yang diperlukan ialah kata-kata yang dituturkan. Sebaliknya, pemahaman audio membenarkan soalan langsung atau permintaan ringkasan tentang rakaman, tanpa memerlukan peringkat pengecaman pertuturan berasingan yang diikuti model teks. Oleh itu, temu bual boleh menghasilkan transkrip penuh, terjemahan atau jawapan kepada soalan sempit; nyatakan hasil yang diperlukan supaya tugas berbeza itu tidak menjadi satu taklimat kabur.

Kad keluaran khusus ini menyenaraikan konteks 32K token dan audio sehingga 30 minit untuk transkripsi atau 40 minit untuk pemahaman. Ini ialah pernyataan tempoh khusus tugas yang berbeza, bukannya peruntukan audio bersama untuk setiap operasi. Kekalkan rakaman, arahan dan perbualan yang berkaitan dalam skop tugas yang dimaksudkan. Bahasa yang dinamakan oleh pembuat ialah bahasa Inggeris, Sepanyol, Perancis, Portugis, Hindi, Jerman, Belanda dan Itali, dengan pengesanan bahasa automatik. Untuk terjemahan atau jawapan, bezakan bahasa rakaman daripada bahasa output yang diperlukan.

Beberapa input audio dalam satu mesej dan audio merentas berbilang giliran pengguna disokong. Berikan setiap rakaman pengecam yang jelas apabila meminta perbandingan. Contoh asal mungkin membandingkan dua penjelasan lisan dan mengembalikan keperluan yang berubah, dengan lajur berasingan untuk setiap sumber. Soalan susulan boleh meminta butiran di sebalik satu dapatan atau memberikan rakaman lain. Kad model turut menunjukkan penggunaan teks sahaja dan audio sahaja, membolehkan model bekerja dengan soalan bertulis serta bukti pertuturan.

Untuk ringkasan mesyuarat, berikan rakaman dan minta struktur yang berguna seperti topik, keputusan yang dinyatakan dan tindakan susulan. Kekalkan nama, tarikh atau tanggungjawab yang tidak pasti secara berasingan daripada fakta yang dituturkan dengan jelas. Untuk temu bual, minta pernyataan yang menjawab soalan tertentu dan konteks sekeliling yang mencukupi untuk menjadikannya boleh difahami. Ini ialah reka bentuk tugas untuk artifak teks yang boleh digunakan; ia tidak menjadikan pemahaman audio umum sebagai jaminan diarisasi, cap masa perkataan atau pengecaman penutur yang tidak dinamakan.

Pengeluar menerangkan panggilan fungsi daripada niat yang dituturkan. Dalam aliran kerja sedemikian, aplikasi membekalkan takrif fungsi, model mencadangkan panggilan dan argumen yang relevan, dan aplikasi melaksanakannya serta mengembalikan pemerhatian. Oleh itu, permintaan suara boleh memandu carian atau tugas berbantukan alat lain, tetapi panggilan yang dicadangkan oleh model berbeza daripada tindakan yang dilaksanakan. Kekalkan hasil sebenar yang dikembalikan apabila meneruskan perbualan supaya jawapan kemudian mencerminkan perkara yang berlaku dan bukannya perkara yang diminta.

Kad penggunaan yang dikeluarkan mengesyorkan suhu 0.0 untuk transkripsi, serta suhu 0.2 dengan top_p 0.95 untuk pemahaman audio dan sembang. Ia menyatakan bahawa prom sistem tidak disokong dalam aliran ini, jadi letakkan tugas dan keperluan respons dalam input pengguna. Contohnya menyahkod rakaman menjadi input audio dan merangkumi bahan MP3, tetapi tidak menetapkan senarai codec menyeluruh atau had keras panjang output maksimum berasingan. Tetapan penjanaan 500 token dalam contoh kekal sebagai bajet contoh.

Sediakan rakaman jelas yang mengandungi bahan relevan untuk tugas dan nyatakan sama ada anda memerlukan ungkapan asal, terjemahan, jawapan atau ringkasan. Kad model turut menunjukkan inferens kelompok dengan beberapa perbualan, iaitu corak penggunaan pengeluar yang berasingan daripada identiti hasil individu. Kekalkan edisi 3B 2507 dan panduan tempoh transkripsi berbanding pemahamannya; diarisasi, varian 13 bahasa dan sokongan rakaman lebih panjang model Mini Transcribe 2 yang kemudian ialah ciri pengeluar yang berasingan.