Mistral: Voxtral Mini 3B 2507

Voxtral Mini 1.0 3B 2507 é o modelo compacto de compreensão de texto e áudio da Mistral AI, baseado na família de modelos de linguagem Ministral 3B. Aceita gravações de fala e instruções textuais e produz texto, incluindo transcrições, traduções, respostas sobre o áudio e resumos estruturados. O lançamento Voxtral original destina este modelo de 3 mil milhões de parâmetros a aplicações compactas ou locais, a par do modelo separado Voxtral Small de 24 mil milhões. É também distinto do serviço alojado Voxtral Mini Transcribe, otimizado para transcrição.

O modelo tem um modo de transcrição dedicado que, por predefinição, prevê automaticamente a língua de origem e transcreve em conformidade. Escolha esse modo quando o artefacto exigido for a formulação falada. A compreensão de áudio permite, por sua vez, uma pergunta direta ou um pedido de resumo sobre uma gravação, sem exigir uma etapa separada de reconhecimento de fala seguida de um modelo textual. Uma entrevista pode, portanto, produzir uma transcrição completa, uma tradução ou uma resposta a uma pergunta específica; indique o resultado necessário para que essas tarefas diferentes não se tornem um enunciado ambíguo.

A ficha da versão exata indica um contexto de 32K tokens e áudio até 30 minutos para transcrição ou 40 minutos para compreensão. São indicações de duração específicas de tarefas diferentes, não uma dotação de áudio comum a todas as operações. Mantenha a gravação relevante, as instruções e a conversa dentro do âmbito da tarefa pretendida. As línguas identificadas pelo fabricante são inglês, espanhol, francês, português, hindi, alemão, neerlandês e italiano, com deteção automática de língua. Para uma tradução ou resposta, distinga a língua da gravação da língua de saída exigida.

São suportadas várias entradas de áudio numa mensagem e áudio em vários turnos do utilizador. Dê um identificador claro a cada gravação ao pedir comparações. Um exemplo original poderia comparar duas explicações faladas e devolver quais os requisitos que mudaram, com uma coluna separada para cada fonte. Um seguimento pode pedir o detalhe que sustenta uma conclusão ou fornecer outra gravação. A ficha demonstra também utilização apenas textual e apenas de áudio, permitindo trabalhar tanto com a pergunta escrita como com os elementos de prova da fala.

Para resumir uma reunião, forneça a gravação e peça uma estrutura útil, como temas, decisões enunciadas e ações de seguimento. Mantenha nomes, datas ou responsabilidades incertos separados dos factos claramente ditos. Para uma entrevista, peça a afirmação que responde a uma pergunta concreta e contexto envolvente suficiente para a compreender. São formas de definir tarefas para um artefacto textual utilizável; não transformam a compreensão geral de áudio numa garantia de diarização, marcas temporais por palavra ou identificação de um orador sem nome.

O fabricante descreve chamadas de funções a partir da intenção falada. Nesse fluxo, a aplicação fornece definições de funções, o modelo propõe a chamada e os argumentos relevantes e a aplicação executa-a e devolve a observação. Um pedido por voz pode, portanto, orientar uma consulta ou outra tarefa assistida por ferramentas, mas a chamada proposta pelo modelo é distinta de uma ação executada. Preserve o resultado efetivamente devolvido ao continuar a conversa para que uma resposta posterior reflita o que aconteceu, e não apenas o que foi pedido.

A ficha de utilização publicada recomenda temperature 0.0 para transcrição e temperature 0.2 com top_p 0.95 para compreensão de áudio e conversa. Afirma que os prompts de sistema não são suportados neste fluxo; coloque, por isso, a tarefa e os requisitos de resposta na entrada do utilizador. Os exemplos descodificam gravações para entradas de áudio e incluem material MP3, mas não estabelecem uma lista exaustiva de codecs nem um comprimento máximo rígido de saída separado. A definição de geração de 500 tokens nos exemplos continua a ser um orçamento ilustrativo.

Prepare uma gravação clara com material relevante para a tarefa e especifique se precisa da formulação original, de uma tradução, de uma resposta ou de um resumo. A ficha demonstra também inferência em lote com várias conversas, um padrão de utilização do produtor separado da identidade de um resultado individual. Preserve a edição 3B 2507 e as orientações de duração que distinguem transcrição e compreensão; a diarização, o perfil de 13 línguas e o suporte de gravações mais longas do modelo Mini Transcribe 2 posterior são funcionalidades separadas do produtor.