Mistral: Voxtral Mini 3B 2507

Voxtral Mini 1.0 3B 2507 — компактная модель Mistral AI для понимания текста и аудио на основе семейства языковых моделей Ministral 3B. Она принимает записи речи и текстовые инструкции и создаёт текст, включая транскрипции, переводы, ответы об аудио и структурированные резюме. Исходный выпуск Voxtral позиционирует эту модель 3B для компактных или локальных приложений наряду с отдельной моделью Voxtral Small 24B. Она также отличается от размещённого сервиса Voxtral Mini Transcribe, оптимизированного для транскрипции.

Модель имеет специальный режим транскрипции, по умолчанию автоматически определяющий исходный язык и транскрибирующий соответственно. Выбирайте этот режим, когда нужен произнесённый текст. Понимание аудио, в свою очередь, допускает прямой вопрос или запрос резюме записи без отдельного этапа распознавания речи с последующей текстовой моделью. Поэтому интервью может дать полную транскрипцию, перевод или ответ на узкий вопрос; укажите нужный результат, чтобы разные задачи не превратились в одно неоднозначное задание.

Карточка именно этого выпуска указывает контекст 32 тыс. токенов и аудио до 30 минут для транскрипции или 40 минут для понимания. Это разные длительности по типам задач, а не общий лимит аудио для любой операции. Сохраняйте нужную запись, инструкции и диалог в границах предполагаемой задачи. Разработчик называет английский, испанский, французский, португальский, хинди, немецкий, нидерландский и итальянский языки с автоматическим определением языка. Для перевода или ответа отличайте язык записи от требуемого языка вывода.

Поддерживаются несколько аудиовходов в одном сообщении и аудио в нескольких сообщениях пользователя. При запросе сравнения дайте каждой записи ясный идентификатор. Самостоятельный пример мог бы сравнивать два устных объяснения и возвращать изменившиеся требования с отдельным столбцом для каждого источника. Уточнение может спрашивать деталь, стоящую за одним выводом, или передавать другую запись. Карточка также демонстрирует чисто текстовое и чисто аудиоиспользование, позволяя модели работать с письменным вопросом и речевыми свидетельствами.

Для резюме встречи передайте запись и запросите полезную структуру, например темы, озвученные решения и последующие действия. Отделяйте неуверенно определённые имена, даты или обязанности от явно произнесённых фактов. Для интервью запросите утверждение, отвечающее на конкретный вопрос, и достаточный окружающий контекст для его понимания. Это схемы задачи для полезного текстового материала; они не превращают общее понимание аудио в гарантию диаризации, временных меток слов или определения неназванного говорящего.

Разработчик описывает вызов функций по произнесённому намерению. В таком процессе приложение предоставляет определения функций, модель предлагает нужный вызов и аргументы, а приложение выполняет его и возвращает наблюдение. Поэтому голосовой запрос может направлять поиск или другую задачу с инструментами, но предложенный моделью вызов отличается от выполненного действия. Сохраняйте фактический возвращённый результат при продолжении диалога, чтобы следующий ответ отражал произошедшее, а не запрошенное.

Опубликованная карточка использования рекомендует temperature 0.0 для транскрипции и temperature 0.2 с top_p 0.95 для понимания аудио и чата. Она указывает, что системные промпты в этом процессе не поддерживаются, поэтому помещайте задачу и требования к ответу во вход пользователя. Примеры декодируют записи в аудиовходы и включают материал MP3, но не устанавливают исчерпывающий список кодеков или отдельную жёсткую максимальную длину вывода. Настройка генерации 500 токенов в примерах остаётся примером бюджета.

Подготовьте чёткую запись с материалом, относящимся к задаче, и укажите, нужен ли исходный текст, перевод, ответ или резюме. Карточка также демонстрирует пакетный инференс нескольких диалогов — шаблон использования разработчика, отдельный от идентичности отдельного результата. Сохраняйте редакцию 3B 2507 и её рекомендации длительности для транскрипции и понимания; диаризация, 13 языков и поддержка более длинных записей в более поздней Mini Transcribe 2 — отдельные возможности разработчика.