Mistral: Voxtral Mini Transcribe

Voxtral Mini Transcribe 2 er Mistral AIs transkripsjonsrettede Voxtral-utgave, identifisert i produsentens modellkort som voxtral-mini-2602. Den er utviklet for opptaksbasert satsvis transkripsjon fremfor den bredere spørsmålssvarrollen til den opprinnelige Voxtral Mini 3B-modellen. Inndataene er lyd, og resultatet er transkribert tekst, eventuelt beriket med taleretiketter og tidsinformasjon. Praktiske bruksområder omfatter møtetranskripsjoner, intervjuanalyse, dokumentasjon av samtaler med flere deltakere og tekst tilpasset opptatte medier.

Produsenten dokumenterer talerdiarisering og start-/sluttider slik at en transkripsjon kan vise hvem som snakket, og når. Tidsstempler på ordnivå støtter undertekster, lydsøk og kobling mellom en tekstpassasje og posisjonen i et opptak. Produsentveiledningen tillater tidsstempler på segment- eller ordnivå. For et intervju er et nyttig artefakt en sekvens av passasjer med talertilordning og tidsangivelse; for forberedelse av undertekster kan tidsangivelse for ord eller segmenter veilede et senere tekstingssteg fremfor å tvinge frem utledning av tidene fra ren transkripsjonstekst.

Konteksttilpasning tar imot opptil 100 ord eller uttrykk som veileder modellen mot ønsket skrivemåte for navn, faguttrykk og domenespesifikt ordforråd. Mistral sier at funksjonen er optimalisert for engelsk, og at støtte for andre språk er eksperimentell. Forbered en målrettet ordliste fra opptakets tema fremfor en uvedkommende ordliste. Et eget eksempel kan gi prosjektnavnene og faguttrykkene som sannsynligvis forekommer i en teknisk diskusjon, og deretter kontrollere skrivemåtene i den fullførte transkripsjonen.

Denne utgaven støtter tretten språk: engelsk, kinesisk, hindi, spansk, arabisk, fransk, portugisisk, russisk, tysk, japansk, koreansk, italiensk og nederlandsk. Produsenten dokumenterer også robusthet mot støy og opptak på opptil tre timer i én forespørsel. Dette tilhører opptaksflyten til Mini Transcribe 2; kontekst- og varighetsangivelsene til den opprinnelige 2507-modellen for lydforståelse beskriver en annen utgivelse. Automatisk språkgjenkjenning er tilgjengelig, og veiledningen sier at eksplisitt angivelse av et kjent lydspråk kan forbedre transkripsjonsnøyaktigheten.

I den dokumenterte produsentflyten kan lyd gis som en opplastet fil, en tidligere opplastet filidentifikator eller et referert opptak. Den medfølgende opplastingsdemonstrasjonen tar imot opptak i MP3, WAV, M4A, FLAC og OGG; velg ett av disse formatene for den demonstrerte opplastingsflyten. Hold opptaket dekodbart og inkluder den relevante talen. For langt materiale bevarer du identifikatoren og tidsutgangspunktet slik at senere utdrag eller redigeringer fortsatt kan spores til kilden.

Transkripsjonsreferansen returnerer teksten og det gjenkjente språket, med segmenter når det er forespurt, og dokumenterer strømmede transkripsjonshendelser separat. Diarisering er valgfritt og har false som standardverdi. Veiledningen bemerker at timestamp_granularities og en eksplisitt språkinnstilling for øyeblikket ikke er kompatible, så velg den ønskede tidsangivelsesflyten eller den manuelle språkhinten fremfor å kombinere dem. Transkripsjon med taleretiketter, ordforrådstilpasning og tidsangivelser bør velges etter det tiltenkte resultatet fremfor å antas å følge av en grunnleggende forespørsel.

Overlappende tale er en vesentlig begrensning: Mistral sier at modellen vanligvis transkriberer én taler når talere overlapper. En merket transkripsjon skal derfor ikke behandles som en uttømmende dokumentasjon av alle samtidige ytringer. For et møtereferat gjennomgår du vanskelige overlapp og viktige navn eller tall mot opptaket. Modellens formål er transkripsjon; et sammendrag, en oversettelse eller en analyse kan være en separat oppgave bygget på transkripsjonen. Voxtral Realtime har en separat ventetidsprofil for direktetranskripsjon, mens talegenerering tilhører andre modeller.

Forbered resultatet for neste bruk. En møteflyt kan bevare transkripsjonen, taleretikettene og tidsangivelsene før et separat trinn trekker ut beslutninger; en medieflyt kan bruke tidsangivelsene til å finne passasjer og lage utkast til undertekster; et opptak med mye fagterminologi kan inkludere den målrettede konteksttilpasningslisten og en gjennomgang av de resulterende skrivemåtene. Den nyttige leveransen er tekst knyttet til kildeopptaket og konfigurerte metadata, med denne nummererte transkripsjonsutgaven holdt atskilt fra den opprinnelige Mini-modellen og løpende oppdaterte latest-navn.