Mistral: Voxtral Mini Transcribe

Voxtral Mini Transcribe 2 je edícia Voxtral od Mistral AI zameraná na prepis, v karte modelu výrobcu označená ako voxtral-mini-2602. Je navrhnutá na dávkový prepis nahrávok, nie na širšiu úlohu odpovedania na otázky pôvodného modelu Voxtral Mini 3B. Vstupom je zvuk a výsledkom prepísaný text, voliteľne obohatený o označenia hovoriacich a časové údaje. Praktické použitia zahŕňajú prepisy stretnutí, analýzu rozhovorov, záznamy hovorov s viacerými účastníkmi a text zosúladený s nahranými médiami.

Výrobca dokumentuje diarizáciu hovoriacich a časy začiatku a konca, takže prepis môže ukázať, kto a kedy hovoril. Časové značky jednotlivých slov podporujú titulky, vyhľadávanie vo zvuku a zosúladenie textovej pasáže s jej polohou v nahrávke. Príručka výrobcu umožňuje podrobnosť časových značiek na úrovni segmentov alebo slov. Pri rozhovore je užitočným artefaktom sled priradených pasáží s časmi; pri príprave titulkov môže časovanie slov alebo segmentov viesť neskorší krok tvorby titulkov namiesto odvodzovania časovania z čistého prepisu.

Kontextové zvýhodnenie prijíma najviac 100 slov alebo fráz, ktoré model usmernia k zamýšľanému zápisu mien, technických termínov a doménovej slovnej zásoby. Mistral uvádza, že funkcia je optimalizovaná pre angličtinu a podpora ostatných jazykov je experimentálna. Pripravte cielený zoznam slovnej zásoby z témy nahrávky namiesto nesúvisiaceho slovníka. Vlastný príklad by dodal názvy projektov a odborné termíny pravdepodobne prítomné v technickej diskusii a potom skontroloval ich zápis v dokončenom prepise.

Táto edícia podporuje trinásť jazykov: angličtinu, čínštinu, hindčinu, španielčinu, arabčinu, francúzštinu, portugalčinu, ruštinu, nemčinu, japončinu, kórejčinu, taliančinu a holandčinu. Výrobca dokumentuje aj odolnosť voči šumu a nahrávky do troch hodín v jednej požiadavke. Tieto vlastnosti patria postupu nahrávok Mini Transcribe 2; údaje o kontexte a trvaní pôvodného modelu 2507 na porozumenie zvuku opisujú iné vydanie. Dostupné je automatické rozpoznávanie jazyka a príručka uvádza, že výslovné zadanie známeho jazyka zvuku môže zlepšiť presnosť prepisu.

V zdokumentovanom postupe výrobcu možno zvuk dodať ako nahraný súbor, identifikátor už nahraného súboru alebo odkazovanú nahrávku. Sprievodná ukážka nahrávania prijíma nahrávky MP3, WAV, M4A, FLAC a OGG; pre predvedený postup nahrávania zvoľte jeden z týchto formátov. Nahrávku udržiavajte dekódovateľnú a zahrňte relevantnú reč. Pri dlhom materiáli zachovajte jeho identifikátor a časový začiatok, aby neskoršie výňatky alebo úpravy zostali vysledovateľné k zdroju.

Referencia prepisu vracia text a rozpoznaný jazyk so segmentmi, ak sa vyžiadajú, a samostatne dokumentuje streamované udalosti prepisu. Diarizácia je voliteľná a predvolene má hodnotu false. Príručka poznamenáva, že timestamp_granularities a výslovné nastavenie language nie sú v súčasnosti kompatibilné, preto vyberte požadovaný postup časovania alebo manuálnu jazykovú nápovedu namiesto ich kombinovania. Prepis s označenými hovoriacimi, zvýhodnenie slovnej zásoby a časovanie by sa mali vyberať podľa zamýšľaného výsledku, nie predpokladať zo základnej požiadavky.

Prekrývajúca sa reč je vecným obmedzením: Mistral uvádza, že pri prekrývaní hovoriacich model zvyčajne prepisuje jedného z nich. Označený prepis preto nemožno považovať za úplný záznam každého súčasného výroku. Pri zázname stretnutia porovnajte náročné prekrytia a dôležité mená alebo čísla s nahrávkou. Účelom modelu je prepis; súhrn, preklad alebo analýza môžu byť samostatnou úlohou založenou na tomto prepise. Voxtral Realtime má samostatný profil latencie živého prepisu, zatiaľ čo generovanie reči patrí iným modelom.

Pripravte výsledok na ďalšie použitie. Postup stretnutia môže zachovať prepis, označenia hovoriacich a časovanie skôr, než samostatná fáza extrahuje rozhodnutia; mediálny postup môže časovanie využiť na nájdenie pasáží a návrh titulkov; nahrávka bohatá na terminológiu môže zahrnúť cielený zoznam kontextového zvýhodnenia a kontrolu výsledného zápisu. Užitočným výstupom je text naviazaný na zdrojovú nahrávku a nastavené metadáta pri zachovaní odlíšenia tejto číslovanej edície prepisu od pôvodného modelu Mini a priebežne aktualizovaných názvov latest.