Mistral: Voxtral Mini Transcribe

Voxtral Mini Transcribe 2 är Mistral AI:s transkriptionsinriktade Voxtral-utgåva som identifieras i producentens modellkort som voxtral-mini-2602. Den är utformad för inspelningsbaserad batchtranskription snarare än den bredare frågesvarsrollen hos den ursprungliga modellen Voxtral Mini 3B. Indata är ljud och resultatet är transkriberad text, som valfritt kan berikas med talaretiketter och tidsinformation. Praktiska användningar omfattar mötestranskriptioner, intervjuanalys, samtalsprotokoll med flera deltagare och text synkroniserad med inspelade medier.

Tillverkaren dokumenterar talarseparering och start-/sluttider så att en transkription kan visa vem som talade och när. Tidsstämplar på ordnivå stöder undertexter, ljudsökning och koppling mellan ett textavsnitt och dess position i en inspelning. Producentens guide tillåter tidsstämplar på segment- eller ordnivå. För en intervju är en användbar leverans en följd av avsnitt med angiven talare och tider; vid förberedelse av undertexter kan ord- eller segmenttider vägleda ett senare textningssteg i stället för att tvinga fram en härledning av tiderna ur vanlig transkriptionstext.

Kontextstyrning accepterar upp till 100 ord eller fraser som vägleder modellen mot avsedd stavning av namn, tekniska termer och domänspecifikt ordförråd. Mistral anger att funktionen är optimerad för engelska och att stöd för andra språk är experimentellt. Förbered en fokuserad ordlista från inspelningens ämne i stället för en orelaterad ordlista. Ett eget exempel kan tillhandahålla projektnamn och specialisttermer som sannolikt förekommer i en teknisk diskussion och sedan kontrollera stavningen i den färdiga transkriptionen.

Den här utgåvan stöder tretton språk: engelska, kinesiska, hindi, spanska, arabiska, franska, portugisiska, ryska, tyska, japanska, koreanska, italienska och nederländska. Tillverkaren dokumenterar också robusthet mot brus och inspelningar på upp till tre timmar i en enda begäran. Detta hör till Mini Transcribe 2:s inspelningsflöde; kontext- och längdangivelserna för den ursprungliga ljudförståelsemodellen 2507 beskriver en annan utgåva. Automatisk språkidentifiering finns, och guiden anger att ett uttryckligt angivet känt ljudspråk kan förbättra transkriptionsnoggrannheten.

I det dokumenterade producentflödet kan ljud tillhandahållas som en uppladdad fil, en tidigare uppladdad filidentifierare eller en refererad inspelning. Den medföljande uppladdningsdemonstrationen accepterar inspelningar i MP3, WAV, M4A, FLAC och OGG; välj ett av dessa format för det demonstrerade uppladdningsflödet. Håll inspelningen avkodningsbar och inkludera det relevanta talet. För långt material bevarar du dess identifierare och tidsnollpunkt så att senare utdrag eller ändringar fortfarande kan spåras till källan.

Transkriptionsreferensen returnerar texten och det identifierade språket, med segment när de begärs, och dokumenterar separat strömmade transkriptionshändelser. Talarseparering är valfri och har standardvärdet false. Guiden påpekar att timestamp_granularities och en uttrycklig språkinställning för närvarande inte är kompatibla, så välj önskat tidsflöde eller den manuella språkledtråden i stället för att kombinera dem. Transkription med talaretiketter, ordlistestyrning och tidsinformation bör väljas utifrån det avsedda resultatet snarare än förutsättas i en grundläggande begäran.

Överlappande tal är en innehållslig begränsning: Mistral anger att modellen vanligtvis transkriberar en talare när flera talar samtidigt. En transkription med talaretiketter ska därför inte behandlas som en uttömmande redogörelse för varje samtidigt yttrande. För ett mötesprotokoll granskar du svåra överlappningar och viktiga namn eller siffror mot inspelningen. Modellens syfte är transkription; en sammanfattning, översättning eller analys kan vara en separat uppgift byggd på transkriptionen. Voxtral Realtime har en separat latensprofil för livetranskription, medan talgenerering hör till andra modeller.

Förbered resultatet för nästa användning. Ett mötesflöde kan bevara transkriptionen, talaretiketterna och tidsinformationen innan ett separat steg extraherar beslut; ett medieflöde kan använda tiderna för att lokalisera avsnitt och utarbeta undertexter; en terminologitung inspelning kan inkludera den fokuserade kontextstyrningslistan och en granskning av den resulterande stavningen. Den användbara leveransen är text knuten till sin källinspelning och konfigurerade metadata, med denna numrerade transkriptionsutgåva skild från den ursprungliga Mini-modellen och föränderliga latest-namn.