Mistral: Voxtral Mini 3B 2507

Voxtral Mini 1.0 3B 2507 to kompaktowy model rozumienia tekstu i dźwięku firmy Mistral AI, zbudowany na rodzinie modeli językowych Ministral 3B. Przyjmuje nagrania mowy i instrukcje tekstowe oraz generuje tekst, w tym transkrypcje, tłumaczenia, odpowiedzi dotyczące nagrania i uporządkowane podsumowania. Oryginalne wydanie Voxtral pozycjonuje ten model 3B do kompaktowych lub lokalnych aplikacji, obok osobnego modelu Voxtral Small 24B. Jest też odrębny od udostępnianej usługi Voxtral Mini Transcribe zoptymalizowanej do transkrypcji.

Model ma dedykowany tryb transkrypcji, który domyślnie automatycznie przewiduje język źródła i odpowiednio je transkrybuje. Wybierz ten tryb, gdy wymaganym artefaktem jest wypowiedziane brzmienie. Rozumienie dźwięku pozwala natomiast na bezpośrednie pytanie lub prośbę o podsumowanie nagrania, bez wymagania osobnego etapu rozpoznawania mowy, po którym następuje model tekstowy. Wywiad może więc dać pełną transkrypcję, tłumaczenie lub odpowiedź na wąskie pytanie; określ potrzebny wynik, aby te różne zadania nie stały się jednym niejednoznacznym opisem.

Karta konkretnego wydania podaje kontekst o wielkości 32 tys. tokenów i nagrania do 30 minut dla transkrypcji lub 40 minut dla rozumienia. Są to różne stwierdzenia dotyczące czasu trwania zależne od zadania, a nie wspólny limit audio dla każdej operacji. Utrzymuj istotne nagranie, instrukcje i rozmowę w zamierzonym zakresie zadania. Języki wymienione przez producenta to angielski, hiszpański, francuski, portugalski, hindi, niemiecki, niderlandzki i włoski, z automatycznym wykrywaniem języka. Dla tłumaczenia lub odpowiedzi odróżnij język nagrania od wymaganego języka wyjścia.

Obsługiwane jest kilka wejść audio w wiadomości oraz dźwięk w wielu turach użytkownika. Nadaj każdemu nagraniu jasny identyfikator przy prośbie o porównania. Oryginalny przykład mógłby porównywać dwa wypowiedziane wyjaśnienia i zwracać zmienione wymagania, z osobną kolumną dla każdego źródła. Pytanie uzupełniające może dotyczyć szczegółu stojącego za jednym ustaleniem lub dostarczać inne nagranie. Karta demonstruje też użycie wyłącznie tekstowe i wyłącznie dźwiękowe, pozwalając modelowi pracować zarówno z pisemnym pytaniem, jak i dowodami z mowy.

Dla podsumowania spotkania dostarcz nagranie i poproś o przydatną strukturę, taką jak tematy, wypowiedziane decyzje i dalsze działania. Oddziel niepewne nazwiska, daty lub odpowiedzialności od faktów wyraźnie wypowiedzianych. Dla wywiadu poproś o stwierdzenie odpowiadające na konkretne pytanie i wystarczający kontekst, aby było zrozumiałe. Są to projekty zadań dla użytecznego artefaktu tekstowego; nie zmieniają ogólnego rozumienia dźwięku w gwarancję diarizacji, znaczników czasu słów lub identyfikacji nienazwanego mówcy.

Producent opisuje wywoływanie funkcji na podstawie wypowiedzianej intencji. W takim przepływie aplikacja dostarcza definicje funkcji, model proponuje właściwe wywołanie i argumenty, a aplikacja je wykonuje i zwraca obserwację. Żądanie głosowe może więc kierować wyszukiwaniem lub innym zadaniem wspomaganym narzędziami, ale proponowane wywołanie modelu jest odrębne od wykonanego działania. Zachowaj rzeczywisty zwrócony wynik podczas kontynuowania rozmowy, aby późniejsza odpowiedź odzwierciedlała to, co się wydarzyło, a nie to, o co poproszono.

Udostępniona karta użycia zaleca temperaturę 0.0 dla transkrypcji oraz temperaturę 0.2 z top_p 0.95 dla rozumienia dźwięku i czatu. Stwierdza, że prompty systemowe nie są obsługiwane w tym przepływie, więc umieść zadanie i wymagania odpowiedzi w wejściu użytkownika. Jej przykłady dekodują nagrania do wejść audio i obejmują materiały MP3, ale nie ustalają wyczerpującej listy kodeków ani osobnej sztywnej maksymalnej długości wyjścia. Ustawienie generowania 500 tokenów w przykładach pozostaje przykładowym budżetem.

Przygotuj czytelne nagranie zawierające materiał istotny dla zadania i określ, czy potrzebujesz oryginalnego brzmienia, tłumaczenia, odpowiedzi czy podsumowania. Karta demonstruje też wsadową inferencję z kilkoma rozmowami, będącą wzorcem użycia producenta odrębnym od tożsamości pojedynczego wyniku. Zachowaj edycję 3B 2507 i jej wskazówki czasu trwania transkrypcji względem rozumienia; diarizacja, profil 13 języków i obsługa dłuższych nagrań późniejszego modelu Mini Transcribe 2 są osobnymi funkcjami producenta.