Mistral: Voxtral Small 24B 2507 STT

Voxtral Small 1.0 24B 2507 pridáva zvukový vstup a porozumenie reči k základu jazykového modelu Mistral Small. Prijíma zvuk a text a vracia text vrátane prepisu, odpovede o nahrávke, prekladu alebo štruktúrovaného súhrnu. Ide o pomenovanú edíciu 24B na porozumenie reči, odlišnú od Voxtral Mini, variantov služby optimalizovaných na prepis a neskorších vydaní Voxtral na generovanie reči alebo prácu v reálnom čase.

Prepis a porozumenie zvuku

Model má vyhradený režim čistého prepisu. Výrobca uvádza, že predvolene automaticky predikuje jazyk zdrojového zvuku a podľa toho prepisuje. Tento režim používajte, keď je požadovaným artefaktom samotné hovorené znenie, nie interpretácia alebo súhrn. Určite, či má výsledok zachovať pôvodný jazyk alebo po ňom má nasledovať samostatne vyžiadaný preklad.

Porozumenie zvuku umožňuje položiť otázku priamo o nahrávke bez predchádzajúceho reťazenia samostatného modelu na rozpoznávanie reči a textového modelu. Požiadavka sa môže pýtať, aká téma sa preberala, aké rozhodnutie bolo uvedené alebo ktoré informácie v nahrávke odpovedajú na konkrétnu otázku. Výsledkom môže byť stručná odpoveď alebo usporiadaný súhrn namiesto úplného prepisu každého vysloveného slova.

Pri súhrne stretnutia poskytnite nahrávku a definujte polia na vrátenie: témy, výslovne uvedené rozhodnutia a nadväzujúce akcie. Mená alebo dátumy žiadajte iba vtedy, keď ich nahrávka skutočne uvádza, a nevyriešené podrobnosti zachovajte oddelene od rozhodnutí. Pri rozhovore žiadajte odpoveď na konkrétnu otázku a okolitý kontext, ktorý ju robí zrozumiteľnou. Tieto návrhy výstupov prepájajú zvukovú úlohu s dokumentom, ktorý možno neskôr použiť.

Kontext, trvanie a jazyky

Výrobca dokumentuje kontext 32k tokenov a zvuk do 30 minút na prepis alebo 40 minút na porozumenie. Tieto dva údaje trvania majú odlišné rozsahy úloh. Pred výberom nahrávky zvoľte požadovanú operáciu a pri plánovaní dostupného kontextu zahrňte textový pokyn a konverzáciu. Dlhá nahrávka aj dlhá písomná odpoveď spotrebúvajú zdroje; údaj o trvaní nie je samostatným prísľubom neobmedzenej dĺžky odpovede.

Vydanie medzi hlavnými podporovanými jazykmi uvádza angličtinu, španielčinu, francúzštinu, portugalčinu, hindčinu, nemčinu, holandčinu a taliančinu a poskytuje automatické rozpoznávanie jazyka. Pri preklade reči nastavte cieľový jazyk a termíny, ktoré si majú zachovať pôvodnú podobu. Pri otázke o zvuku v jednom jazyku odlíšte jazyk nahrávky od jazyka, v ktorom má byť odpoveď napísaná.

Viaceré nahrávky a nadväzujúce otázky

Karta podporuje niekoľko zvukových vstupov v správe a zvuk vo viacerých používateľských kolách. Pri porovnávaní priraďte každej nahrávke identifikátor a uveďte jej úlohu. Praktická požiadavka môže porovnať dve verzie hovoreného vysvetlenia, pýtať sa, ktoré podmienky sa zmenili, a vrátiť tabuľku so samostatným stĺpcom pre každú nahrávku. Identifikátory pomáhajú zachovať zistenia modelu prepojené so správnym zdrojom.

Nadväzujúca otázka môže zachovať predchádzajúcu otázku a odpoveď a zároveň žiadať užší detail alebo dodať ďalšiu nahrávku. Napríklad najprv žiadajte rozhodnutia z diskusie a potom sa pýtajte, ktoré rozhodnutie súvisí s konkrétnou požiadavkou. Rovnaké vydanie ukazuje aj čisto textové a čisto zvukové požiadavky. Jeho textový základ môže pracovať s písomnou otázkou alebo výsledkom, zatiaľ čo zvuková schopnosť dodáva dôkazy z reči.

Funkcie riadené hlasom

Výrobca opisuje volanie funkcií z hovoreného zámeru a príklad volania funkcií na vydanej karte označuje ako experimentálnu podporu. V tomto postupe aplikácia definuje funkciu a argumenty, model pripraví volanie z požiadavky a aplikácia ho vykoná a dodá výsledok. Hlasové vyhľadávanie preto môže vrátiť písomnú odpoveď s využitím informácií z prepojeného nástroja. Volanie funkcií neznamená, že model automaticky vlastní externú službu alebo vykoná akciu iba jej pomenovaním.

Účel funkcie a požadované informácie ponechajte výslovné. Ak nahrávka žiada operáciu, ale vynechá povinnú hodnotu, aplikácia túto hodnotu stále potrebuje na vykonanie funkcie. Oddeľte hovorenú požiadavku, navrhované argumenty a vrátený výsledok, aby ďalšia odpoveď mohla odkazovať na skutočný výsledok operácie.

Odporúčané nastavenia a užitočné hranice

Pri porozumení zvuku a dokončovaní chatu karta odporúča temperature 0.2 a top-p 0.95. Pri prepise odporúča temperature 0.0. Výslovne uvádza, že systémové prompty nie sú v tomto vydanom postupe používania podporované, preto umiestnite úlohu a požiadavky na odpoveď do používateľského vstupu namiesto prenášania konvencie systémového promptu z iného modelu Mistral.

Vyberte nahrávku s materiálom relevantným pre otázku, zachovajte jasnú počuteľnú reč a určite, či má byť výsledkom prepis, preklad, odpoveď alebo súhrn. Zdokumentovaný výstup je textový. Hovorená odpoveď potrebuje komponent prevodu textu na reč a z všeobecného tvrdenia o porozumení zvuku pri tomto presnom vydaní nemožno odvodzovať identifikáciu hovoriaceho, podrobnú diarizáciu ani časové značky jednotlivých slov.

Príklady generovania s 500 tokenmi na karte sú ukážkové nastavenia, nie samostatne uvedená maximálna kapacita výstupu. Pri príprave opakovateľného postupu zachovajte edíciu 2507, usmernenia o trvaní podľa úlohy a vstupný jazyk. Užitočným konečným artefaktom je požadovaný text prepojený s nahrávkou a naformátovaný pre ďalší dokumentový alebo aplikačný krok.