Mistral: Voxtral Mini 3B 2507

Voxtral Mini 1.0 3B 2507 er Mistral AIs kompakte modell for tekst- og lydforståelse bygget på språkmodellfamilien Ministral 3B. Den tar imot taleopptak og tekstinstruksjoner og produserer tekst, blant annet transkripsjoner, oversettelser, svar om lyden og strukturerte sammendrag. Den opprinnelige Voxtral-utgivelsen posisjonerer denne 3B-modellen for kompakte eller lokale applikasjoner, sammen med den separate Voxtral Small-modellen på 24 milliarder parametere. Den er også forskjellig fra den vertsbaserte transkripsjonsoptimaliserte tjenesten Voxtral Mini Transcribe.

Modellen har en egen transkripsjonsmodus som automatisk forutsier kildespråket som standard og transkriberer deretter. Velg denne modusen når det påkrevde artefaktet er den talte ordlyden. Lydforståelse tillater derimot et direkte spørsmål eller en forespørsel om et sammendrag av et opptak, uten å kreve et separat talegjenkjenningstrinn etterfulgt av en tekstmodell. Et intervju kan derfor produsere en full transkripsjon, en oversettelse eller et svar på et avgrenset spørsmål; angi hvilket resultat som trengs slik at de forskjellige oppgavene ikke blir én tvetydig oppgavebeskrivelse.

Det konkrete utgivelseskortet oppgir en kontekst på 32K tokener og lyd på opptil 30 minutter for transkripsjon eller 40 minutter for forståelse. Dette er forskjellige oppgavespesifikke varighetsangivelser, ikke en felles lydramme for alle operasjoner. Hold det relevante opptaket, instruksjonene og samtalen innenfor det tiltenkte oppgaveomfanget. Produsentens navngitte språk er engelsk, spansk, fransk, portugisisk, hindi, tysk, nederlandsk og italiensk, med automatisk språkgjenkjenning. For en oversettelse eller et svar skiller du språket i opptaket fra det påkrevde utdataspråket.

Flere lydinndata i én melding og lyd på tvers av flere brukerrunder støttes. Gi hvert opptak en tydelig identifikator når du ber om sammenligninger. Et eget eksempel kan sammenligne to muntlige forklaringer og returnere hvilke krav som ble endret, med en separat kolonne for hver kilde. En oppfølging kan be om detaljen bak ett funn eller gi et nytt opptak. Modellkortet demonstrerer også bruk med bare tekst og bare lyd, slik at modellen kan arbeide både med det skriftlige spørsmålet og talebevisene.

For et møtesammendrag gir du opptaket og ber om en nyttig struktur som temaer, uttalte beslutninger og oppfølgingshandlinger. Hold usikre navn, datoer eller ansvarsforhold atskilt fra fakta som er tydelig uttalt. For et intervju ber du om utsagnet som svarer på et bestemt spørsmål, og nok omkringliggende kontekst til å gjøre det forståelig. Dette er oppgaveutforminger for et brukbart tekstartefakt; de gjør ikke generell lydforståelse til en garanti for diarisering, tidsstempler for ord eller identifikasjon av en ikke navngitt taler.

Produsenten beskriver funksjonskall ut fra muntlig uttrykt hensikt. I en slik arbeidsflyt oppgir applikasjonen funksjonsdefinisjoner, modellen foreslår det relevante kallet og argumentene, og applikasjonen utfører det og returnerer observasjonen. En muntlig forespørsel kan derfor styre et oppslag eller en annen verktøystøttet oppgave, men modellens foreslåtte kall er forskjellig fra en utført handling. Bevar det faktiske returnerte resultatet når samtalen fortsetter, slik at et senere svar gjenspeiler det som skjedde, fremfor det som ble forespurt.

Det utgitte brukskortet anbefaler temperatur 0.0 for transkripsjon, og temperatur 0.2 med top_p 0.95 for lydforståelse og chat. Det sier at systeminstruksjoner ikke støttes i denne flyten, så plasser oppgaven og svarkravene i brukerinndataene. Eksemplene dekoder opptak til lydinndata og inkluderer MP3-materiale, men de fastslår ikke en uttømmende kodekliste eller en separat absolutt maksimal utdatalengde. Genereringsinnstillingen på 500 tokener i eksemplene forblir et eksempelbudsjett.

Forbered et tydelig opptak med materialet som er relevant for oppgaven, og angi om du trenger original ordlyd, en oversettelse, et svar eller et sammendrag. Modellkortet demonstrerer også satsvis inferens med flere samtaler, et bruksmønster fra produsenten som er atskilt fra identiteten til et enkelt resultat. Bevar 3B 2507-utgaven og varighetsveiledningen for transkripsjon kontra forståelse; diariseringen, varianten med 13 språk og støtten for lengre opptak i den senere Mini Transcribe 2-modellen er separate produsentfunksjoner.