Mistral: Voxtral Small 24B 2507 STT

Voxtral Small 1.0 24B 2507 acrescenta entrada de áudio e compreensão de fala a uma base de modelo de linguagem Mistral Small. Aceita áudio e texto e devolve texto, incluindo uma transcrição, uma resposta sobre a gravação, uma tradução ou um resumo estruturado. Esta é a edição identificada de compreensão de fala com 24 mil milhões de parâmetros, distinta do Voxtral Mini, de variantes de serviço otimizadas para transcrição e de versões Voxtral posteriores de geração de fala ou tempo real.

Transcrição e compreensão de áudio

O modelo tem um modo dedicado de transcrição pura. O fabricante afirma que, por predefinição, prevê automaticamente a língua do áudio de origem e transcreve em conformidade. Use este modo quando o artefacto pretendido for a formulação falada em si, em vez de uma interpretação ou resumo. Identifique se o resultado deve preservar a língua original ou ser seguido de uma tradução pedida separadamente.

A compreensão de áudio permite fazer uma pergunta diretamente sobre uma gravação, sem encadear primeiro um modelo separado de reconhecimento de fala e um modelo de texto. Um pedido pode perguntar que tema foi discutido, que decisão foi enunciada ou que informação da gravação responde a uma pergunta específica. O resultado pode ser uma resposta concisa ou um resumo organizado, em vez de uma transcrição integral de cada palavra dita.

Para resumir uma reunião, forneça a gravação e defina os campos a devolver: temas, decisões explicitamente enunciadas e ações de seguimento. Peça nomes ou datas apenas quando a gravação efetivamente os indicar e mantenha os pormenores por resolver separados das decisões. Para uma entrevista, peça a resposta a uma pergunta concreta e o contexto envolvente necessário à compreensão. Estes formatos de saída ligam a tarefa de áudio a um documento que alguém pode usar depois.

Contexto, duração e línguas

O fabricante documenta um contexto de 32k tokens e áudio até 30 minutos para transcrição ou 40 minutos para compreensão. Os dois valores de duração têm âmbitos de tarefa diferentes. Escolha a operação pretendida antes de selecionar a gravação e inclua a instrução textual e a conversa ao planear o contexto disponível. Uma gravação longa e uma resposta escrita longa consomem recursos; a indicação de duração não é uma promessa separada de extensão de resposta ilimitada.

A versão identifica inglês, espanhol, francês, português, hindi, alemão, neerlandês e italiano entre as principais línguas suportadas e disponibiliza deteção automática da língua. Para tradução de fala, defina a língua final e os termos que devem conservar a forma original. Numa pergunta sobre áudio numa língua, distinga a língua da gravação da língua em que a resposta deve ser escrita.

Várias gravações e perguntas de seguimento

A ficha suporta várias entradas de áudio numa mensagem e áudio em vários turnos do utilizador. Dê um identificador a cada gravação e indique o seu papel ao compará-las. Um pedido prático pode comparar duas versões de uma explicação falada, perguntar que condições mudaram e devolver uma tabela com uma coluna separada para cada gravação. Os identificadores ajudam a manter as conclusões do modelo associadas à fonte certa.

Um seguimento pode conservar a pergunta e resposta anteriores enquanto solicita um detalhe mais específico ou fornece outra gravação. Por exemplo, peça primeiro as decisões de uma discussão e pergunte depois qual se relaciona com um requisito concreto. A mesma versão demonstra pedidos apenas textuais e apenas de áudio. A base textual pode trabalhar sobre a pergunta ou resultado escrito, enquanto a capacidade de áudio fornece elementos de prova da fala.

Funções orientadas por voz

O fabricante descreve chamadas de funções a partir da intenção falada e classifica como suporte experimental o exemplo de chamadas de funções da ficha publicada. Neste fluxo, a aplicação define uma função e os argumentos, o modelo prepara uma chamada a partir do pedido e a aplicação executa-a e fornece o resultado. Uma consulta por voz pode, portanto, devolver uma resposta escrita com informação de uma ferramenta ligada. Chamar funções não significa que o modelo controla automaticamente o serviço externo nem que executa uma ação apenas por a nomear.

Mantenha explícitos a finalidade da função e os dados obrigatórios. Se a gravação pedir uma operação mas omitir um valor obrigatório, a aplicação continua a precisar dele para executar a função. Separe o pedido falado, os argumentos propostos e o resultado devolvido, para que a resposta seguinte possa referir-se ao resultado efetivo da operação.

Definições recomendadas e limites úteis

Para compreensão de áudio e geração de respostas em conversa, a ficha recomenda temperature 0.2 e top-p 0.95. Para transcrição, recomenda temperature 0.0. Afirma explicitamente que os prompts de sistema não são suportados neste fluxo de utilização publicado; coloque, por isso, a tarefa e os requisitos de resposta na entrada do utilizador, em vez de transferir uma convenção de instruções de sistema de outro modelo Mistral.

Selecione uma gravação com material relevante para a pergunta, mantenha a fala audível clara e especifique se o resultado deve ser uma transcrição, tradução, resposta ou resumo. A saída documentada é texto. Uma resposta falada precisa de uma componente de síntese de voz, e a identificação de oradores, a diarização detalhada ou marcas temporais por palavra não devem ser inferidas da afirmação geral de compreensão de áudio para esta versão exata.

Os exemplos de geração de 500 tokens da ficha são definições ilustrativas, não uma capacidade máxima de saída declarada separadamente. Preserve a edição 2507, as orientações de duração específicas de cada tarefa e a língua de entrada ao preparar um fluxo repetível. O artefacto final útil é o texto pedido, ligado à gravação e formatado para o próximo passo documental ou da aplicação.