Mistral: Voxtral Mini 3B 2507

Voxtral Mini 1.0 3B 2507 je kompaktný model Mistral AI na porozumenie textu a zvuku postavený na rodine jazykových modelov Ministral 3B. Prijíma nahrávky reči a textové pokyny a vytvára text vrátane prepisov, prekladov, odpovedí o zvuku a štruktúrovaných súhrnov. Pôvodné vydanie Voxtral určuje tento model 3B pre kompaktné alebo lokálne aplikácie popri samostatnom modeli Voxtral Small 24B. Odlišuje sa aj od hostovanej služby Voxtral Mini Transcribe optimalizovanej na prepis.

Model má vyhradený režim prepisu, ktorý predvolene automaticky predikuje zdrojový jazyk a podľa toho prepisuje. Tento režim zvoľte, keď je požadovaným artefaktom hovorené znenie. Porozumenie zvuku naopak umožňuje priamu otázku alebo požiadavku na súhrn nahrávky bez potreby samostatnej fázy rozpoznávania reči nasledovanej textovým modelom. Rozhovor preto môže vytvoriť úplný prepis, preklad alebo odpoveď na úzku otázku; určite potrebný výsledok, aby sa tieto rôzne úlohy nestali jedným nejednoznačným zadaním.

Karta presného vydania uvádza kontext 32K tokenov a zvuk do 30 minút na prepis alebo 40 minút na porozumenie. Ide o odlišné údaje trvania podľa úlohy, nie spoločný zvukový limit pre každú operáciu. Relevantnú nahrávku, pokyny a konverzáciu udržiavajte v zamýšľanom rozsahu úlohy. Pomenované jazyky výrobcu sú angličtina, španielčina, francúzština, portugalčina, hindčina, nemčina, holandčina a taliančina s automatickým rozpoznávaním jazyka. Pri preklade alebo odpovedi odlíšte jazyk nahrávky od požadovaného jazyka výstupu.

Podporovaných je niekoľko zvukových vstupov v správe aj zvuk naprieč viacerými používateľskými kolami. Pri žiadosti o porovnanie priraďte každej nahrávke jasný identifikátor. Vlastný príklad môže porovnať dve hovorené vysvetlenia a vrátiť, ktoré požiadavky sa zmenili, so samostatným stĺpcom pre každý zdroj. Nadväzujúca otázka sa môže pýtať na detail jedného zistenia alebo dodať ďalšiu nahrávku. Karta ukazuje aj čisto textové a čisto zvukové použitie, takže model môže pracovať s písomnou otázkou aj s dôkazmi z reči.

Pri súhrne stretnutia dodajte nahrávku a žiadajte užitočnú štruktúru, napríklad témy, uvedené rozhodnutia a nadväzujúce akcie. Neisté mená, dátumy alebo zodpovednosti oddeľte od jasne vyslovených faktov. Pri rozhovore žiadajte tvrdenie odpovedajúce na konkrétnu otázku a dostatok okolitého kontextu na jeho pochopenie. Ide o návrhy úloh pre použiteľný textový artefakt; nemenia všeobecné porozumenie zvuku na záruku diarizácie, časových značiek slov alebo identifikácie nepomenovaného hovoriaceho.

Výrobca opisuje volanie funkcií z hovoreného zámeru. V takomto postupe aplikácia poskytuje definície funkcií, model navrhne relevantné volanie a argumenty a aplikácia ho vykoná a vráti pozorovanie. Hlasová požiadavka preto môže viesť vyhľadanie alebo inú úlohu s pomocou nástrojov, ale navrhované volanie modelu sa líši od vykonanej akcie. Pri pokračovaní konverzácie zachovajte skutočne vrátený výsledok, aby neskoršia odpoveď odrážala to, čo sa stalo, nie to, čo bolo požadované.

Vydaná karta používania odporúča temperature 0.0 na prepis a temperature 0.2 s top_p 0.95 na porozumenie zvuku a chat. Uvádza, že systémové prompty nie sú v tomto postupe podporované, preto úlohu a požiadavky na odpoveď vložte do používateľského vstupu. Jej príklady dekódujú nahrávky na zvukové vstupy a zahŕňajú materiál MP3, ale nestanovujú úplný zoznam kodekov ani samostatnú pevnú maximálnu dĺžku výstupu. Nastavenie generovania s 500 tokenmi v príkladoch zostáva ukážkovým rozpočtom.

Pripravte jasnú nahrávku s materiálom relevantným pre úlohu a určite, či potrebujete pôvodné znenie, preklad, odpoveď alebo súhrn. Karta ukazuje aj dávkovú inferenciu s viacerými konverzáciami, čo je spôsob používania výrobcu oddelený od identity jednotlivého výsledku. Zachovajte edíciu 3B 2507 a jej usmernenia o trvaní prepisu oproti porozumeniu; diarizácia, profil 13 jazykov a podpora dlhších nahrávok neskoršieho modelu Mini Transcribe 2 sú samostatné funkcie výrobcu.