Mistral: Voxtral Mini Transcribe

Voxtral Mini Transcribe 2 é a edição Voxtral da Mistral AI focada em transcrição, identificada na ficha do produtor como voxtral-mini-2602. Foi concebida para transcrição em lote de gravações, em vez do papel mais amplo de resposta a perguntas do modelo Voxtral Mini 3B original. A entrada é áudio e o resultado é texto transcrito, opcionalmente enriquecido com etiquetas de oradores e informação temporal. As utilizações práticas incluem transcrições de reuniões, análise de entrevistas, registos de chamadas com vários participantes e texto alinhado com conteúdo multimédia gravado.

O fabricante documenta diarização de oradores e tempos de início e fim, permitindo mostrar quem falou e quando. As marcas temporais por palavra apoiam legendas, pesquisa no áudio e alinhamento entre um trecho de texto e a sua posição numa gravação. O guia do produtor permite granularidade temporal por segmento ou palavra. Numa entrevista, um artefacto útil é uma sequência de trechos atribuídos a oradores com tempos; para preparar legendas, os tempos de palavras ou segmentos podem orientar uma etapa posterior de legendagem, em vez de obrigar a inferi-los a partir de texto transcrito sem marcas.

A orientação por contexto aceita até 100 palavras ou expressões que guiam o modelo para a grafia pretendida de nomes, termos técnicos e vocabulário específico de um domínio. A Mistral afirma que a funcionalidade está otimizada para inglês e que o suporte noutras línguas é experimental. Prepare uma lista de vocabulário focada no assunto da gravação, em vez de um glossário não relacionado. Um exemplo original seria fornecer os nomes dos projetos e termos especializados que provavelmente surgirão numa discussão técnica e verificar depois essas grafias na transcrição concluída.

Esta edição suporta treze línguas: inglês, chinês, hindi, espanhol, árabe, francês, português, russo, alemão, japonês, coreano, italiano e neerlandês. O fabricante documenta também robustez ao ruído e gravações até três horas num único pedido. Estas características pertencem ao fluxo de gravações do Mini Transcribe 2; as indicações de contexto e duração do modelo de compreensão de áudio 2507 original descrevem outra versão. Está disponível deteção automática de língua, e o guia afirma que indicar explicitamente uma língua de áudio conhecida pode melhorar a precisão da transcrição.

No fluxo documentado do produtor, o áudio pode ser fornecido como um ficheiro carregado, um identificador de ficheiro previamente carregado ou uma gravação referenciada. A demonstração de carregamento associada aceita gravações MP3, WAV, M4A, FLAC e OGG; escolha um destes formatos para esse fluxo demonstrado. Mantenha a gravação descodificável e inclua a fala relevante. Para material longo, preserve o identificador e a origem temporal para que excertos ou edições posteriores continuem rastreáveis até à fonte.

A referência de transcrição devolve o texto e a língua detetada, com segmentos quando pedidos, e documenta separadamente eventos de transcrição transmitidos em fluxo contínuo. A diarização é opcional e assume false por predefinição. O guia indica que timestamp_granularities e uma definição explícita de language não são atualmente compatíveis; escolha, portanto, o fluxo temporal pretendido ou a indicação manual de língua, em vez de os combinar. Transcrição com etiquetas de oradores, orientação por vocabulário e tempos devem ser selecionados segundo o resultado pretendido, em vez de presumidos num pedido básico.

A fala sobreposta é uma limitação substantiva: a Mistral afirma que o modelo normalmente transcreve um único orador quando há sobreposição. Uma transcrição etiquetada não deve, portanto, ser tratada como um registo exaustivo de todas as falas simultâneas. Para um registo de reunião, reveja sobreposições difíceis e nomes ou números importantes face à gravação. A finalidade do modelo é a transcrição; resumo, tradução ou análise podem ser tarefas separadas construídas a partir dela. Voxtral Realtime tem um perfil próprio de latência de transcrição em direto, enquanto a geração de fala pertence a outros modelos.

Prepare o resultado para a utilização seguinte. Um fluxo de reunião pode preservar a transcrição, as etiquetas de oradores e os tempos antes de uma etapa separada extrair decisões; um fluxo multimédia pode usar os tempos para localizar trechos e preparar legendas; uma gravação com muita terminologia pode incluir a lista focada de orientação por contexto e uma revisão das grafias resultantes. O resultado útil é texto ligado à gravação de origem e aos metadados configurados, mantendo esta edição numerada de transcrição distinta do modelo Mini original e de nomes latest atualizáveis.