Mistral: Voxtral Small 24B 2507 STT

Voxtral Small 1.0 24B 2507 добавляет аудиовход и понимание речи к языковой основе Mistral Small. Она принимает аудио и текст и возвращает текст, включая транскрипцию, ответ о записи, перевод или структурированное резюме. Это именованная редакция 24B для понимания речи, отдельная от Voxtral Mini, оптимизированных для транскрипции вариантов сервиса и более поздних выпусков Voxtral для генерации речи или реального времени.

Транскрипция и понимание аудио

Модель имеет специальный режим чистой транскрипции. Разработчик указывает, что по умолчанию она автоматически определяет язык исходного аудио и транскрибирует соответственно. Используйте этот режим, когда нужен сам произнесённый текст, а не интерпретация или резюме. Укажите, должен ли результат сохранять исходный язык или сопровождаться отдельно запрошенным переводом.

Понимание аудио позволяет задать вопрос непосредственно о записи без предварительной цепочки из отдельной модели распознавания речи и текстовой модели. Запрос может спрашивать, какая тема обсуждалась, какое решение было озвучено или какая информация записи отвечает на конкретный вопрос. Результатом может быть краткий ответ или упорядоченное резюме, а не полная транскрипция каждого произнесённого слова.

Для резюме встречи передайте запись и определите возвращаемые поля: темы, явно озвученные решения и последующие действия. Запрашивайте имена или даты только тогда, когда они действительно названы в записи, и отделяйте неразрешённые детали от решений. Для интервью запросите ответ на конкретный вопрос и окружающий контекст, делающий его понятным. Такие схемы вывода связывают аудиозадачу с документом, который можно использовать дальше.

Контекст, длительность и языки

Разработчик документирует контекст 32 тыс. токенов и аудио до 30 минут для транскрипции или 40 минут для понимания. Два значения длительности относятся к разным задачам. Выбирайте нужную операцию до выбора записи и учитывайте текстовую инструкцию и диалог при планировании доступного контекста. Длинная запись и длинный письменный ответ оба потребляют ресурсы; указанная длительность не является отдельным обещанием неограниченной длины ответа.

Выпуск называет английский, испанский, французский, португальский, хинди, немецкий, нидерландский и итальянский среди основных поддерживаемых языков и предоставляет автоматическое определение языка. Для перевода речи задавайте итоговый язык и термины, которые должны сохранить исходную форму. Для вопроса об аудио на одном языке отличайте язык записи от языка письменного ответа.

Несколько записей и уточняющие вопросы

Карточка поддерживает несколько аудиовходов в одном сообщении и аудио в нескольких сообщениях пользователя. При сравнении задайте каждой записи идентификатор и роль. Практический запрос может сравнивать две версии устного объяснения, спрашивать, какие условия изменились, и возвращать таблицу с отдельным столбцом для каждой записи. Идентификаторы помогают связать выводы модели с правильным источником.

Уточнение может сохранять предыдущий вопрос и ответ, запрашивая более узкую деталь или передавая другую запись. Например, сначала запросите решения из обсуждения, затем спросите, какое решение связано с конкретным требованием. Тот же выпуск также демонстрирует чисто текстовые и чисто аудиозапросы. Текстовая основа может работать с письменным вопросом или результатом, а аудиовозможность предоставляет свидетельства из речи.

Функции по голосовому запросу

Разработчик описывает вызов функций по произнесённому намерению и помечает пример вызова функций в опубликованной карточке как экспериментальную поддержку. В этом процессе приложение определяет функцию и её аргументы, модель готовит вызов по запросу, а приложение выполняет его и предоставляет результат. Поэтому голосовой поиск может вернуть письменный ответ с информацией подключённого инструмента. Вызов функций не означает, что модель автоматически владеет внешним сервисом или выполняет действие одним его упоминанием.

Явно сохраняйте назначение функции и обязательную информацию. Если запись запрашивает операцию, но опускает обязательное значение, приложению всё равно нужно это значение для выполнения функции. Разделяйте произнесённый запрос, предлагаемые аргументы и возвращённый результат, чтобы следующий ответ мог ссылаться на фактический итог операции.

Рекомендуемые настройки и полезные границы

Для понимания аудио и завершения чата карточка рекомендует temperature 0.2 и top-p 0.95. Для транскрипции она рекомендует temperature 0.0. В ней прямо сказано, что системные промпты не поддерживаются в этом опубликованном процессе использования, поэтому помещайте задачу и требования к ответу во вход пользователя, а не переносите соглашение о системных промптах другой модели Mistral.

Выбирайте запись с материалом, относящимся к вопросу, сохраняйте слышимую речь чёткой и указывайте, должен ли результат быть транскрипцией, переводом, ответом или резюме. Документированный вывод — текст. Для устного ответа нужен компонент синтеза речи; идентификацию говорящего, подробную диаризацию или временные метки слов нельзя выводить из общего заявления о понимании аудио для именно этого выпуска.

Примеры генерации 500 токенов в карточке — примеры настроек, а не отдельно заявленная максимальная ёмкость вывода. При подготовке воспроизводимого процесса сохраняйте редакцию 2507, рекомендации длительности по типу задачи и язык входа. Полезный итоговый материал — запрошенный текст, связанный с записью и оформленный для следующего шага документа или приложения.