Mistral: Voxtral Mini 3B 2507

Voxtral Mini 1.0 3B 2507 är Mistral AI:s kompakta modell för text- och ljudförståelse, byggd på språkmodellfamiljen Ministral 3B. Den tar emot talinspelningar och textinstruktioner och producerar text, inklusive transkriptioner, översättningar, svar om ljudet och strukturerade sammanfattningar. Den ursprungliga Voxtral-utgåvan positionerar den här 3B-modellen för kompakta eller lokala applikationer, tillsammans med den separata modellen Voxtral Small med 24 miljarder parametrar. Den är också skild från den hostade transkriptionsoptimerade tjänsten Voxtral Mini Transcribe.

Modellen har ett särskilt transkriptionsläge som som standard automatiskt förutsäger källspråket och transkriberar därefter. Välj läget när den nödvändiga leveransen är de talade orden. Ljudförståelse tillåter i stället en direkt fråga eller begäran om sammanfattning av en inspelning utan att kräva ett separat taligenkänningssteg följt av en textmodell. En intervju kan därför ge en fullständig transkription, en översättning eller ett svar på en snäv fråga; ange vilket resultat som behövs så att de olika uppgifterna inte blir ett tvetydigt uppdragsunderlag.

Det specifika utgåvekortet anger en kontext på 32K token och ljud på upp till 30 minuter för transkription eller 40 minuter för förståelse. Detta är olika uppgiftsspecifika längdangivelser, inte ett gemensamt ljudutrymme för varje operation. Håll relevant inspelning, instruktioner och samtal inom den avsedda uppgiftens omfattning. Tillverkarens namngivna språk är engelska, spanska, franska, portugisiska, hindi, tyska, nederländska och italienska, med automatisk språkidentifiering. För en översättning eller ett svar skiljer du inspelningens språk från det önskade utmatningsspråket.

Flera ljudindata i ett meddelande och ljud över flera användarturer stöds. Ge varje inspelning en tydlig identifierare när du begär jämförelser. Ett eget exempel kan jämföra två talade förklaringar och returnera vilka krav som ändrats, med en separat kolumn för varje källa. En följdfråga kan efterfråga detaljen bakom en slutsats eller tillhandahålla en annan inspelning. Modellkortet demonstrerar också användning med enbart text och enbart ljud, så att modellen kan arbeta med den skriftliga frågan såväl som talunderlaget.

För en mötessammanfattning tillhandahåller du inspelningen och begär en användbar struktur som ämnen, uttalade beslut och uppföljningsåtgärder. Håll osäkra namn, datum eller ansvarsområden skilda från fakta som tydligt uttalas. För en intervju begär du utsagan som besvarar en viss fråga och tillräckligt omgivande sammanhang för att göra den begriplig. Detta är uppgiftsutformningar för en användbar textleverans; de gör inte allmän ljudförståelse till en garanti för talarseparering, ordtidsstämplar eller identifiering av en onamngiven talare.

Tillverkaren beskriver funktionsanrop utifrån talad avsikt. I ett sådant flöde tillhandahåller applikationen funktionsdefinitioner, modellen föreslår det relevanta anropet och argumenten och applikationen kör det och returnerar observationen. En röstbegäran kan därför styra en uppslagning eller annan verktygsstödd uppgift, men modellens föreslagna anrop skiljer sig från en utförd åtgärd. Bevara det faktiska returnerade resultatet när samtalet fortsätter så att ett senare svar återspeglar vad som hände snarare än vad som begärdes.

Det publicerade användningskortet rekommenderar temperatur 0.0 för transkription och temperatur 0.2 med top_p 0.95 för ljudförståelse och chatt. Det anger att systemprompter inte stöds i det här flödet, så placera uppgiften och svarskraven i användarindata. Exemplen avkodar inspelningar till ljudindata och inkluderar MP3-material, men fastställer ingen uttömmande kodeklista eller separat strikt maximal utmatningslängd. Genereringsinställningen på 500 token i exemplen förblir en exempelbudget.

Förbered en tydlig inspelning som innehåller materialet som är relevant för uppgiften och ange om du behöver originalordalydelse, en översättning, ett svar eller en sammanfattning. Modellkortet demonstrerar också batchad inferens med flera samtal, ett användningsmönster hos producenten som är skilt från identiteten hos ett enskilt resultat. Bevara utgåvan 3B 2507 och dess längdråd för transkription respektive förståelse; den senare modellen Mini Transcribe 2:s talarseparering, 13-språksprofil och stöd för längre inspelningar är separata producentfunktioner.