Mistral: Voxtral Small 24B 2507 STT

Mistral: Voxtral Small 24B 2507 STT, Mistral AI का एक speech transcription मॉडल है। यह transcription श्रेणी में आता है, और इसका नाम मॉडल की बड़ी 24B क्षमता और speech to text कार्य पर इसके फोकस, दोनों को दर्शाता है। Mistral इसे transcription, translation, और audio understanding workloads के लिए पेश करता है जिन्हें उस बड़ी मॉडल क्षमता का लाभ मिलता है, इसलिए यह उन developers के लिए है जिन्हें अपने audio पर न्यूनतम speech to text प्रक्रिया से अधिक चाहिए।

मॉडल अपने input modality के रूप में audio लेता है और output के रूप में transcription लौटाता है। interface का पूरा स्वरूप यही है: आप audio भेजते हैं, आपको text वापस मिलता है। इस मॉडल के लिए कोई context length सूचीबद्ध नहीं है, और कोई supported request parameters भी सूचीबद्ध नहीं हैं, इसलिए इसे एक केंद्रित single purpose endpoint मानें, न कि ऐसा सामान्य chat मॉडल जिसे आप sampling controls से नियंत्रित कर सकें। विवरण में max output 0 भी दिया गया है, जिसका अर्थ है कि योजना बनाने के लिए कोई अलग से विज्ञापित output token budget नहीं है।

व्यावहारिक उपयोग सीधे उस audio in, transcription out स्वरूप से निकलते हैं। Meeting और call recordings को खोज, समीक्षा, या archival के लिए text में बदला जा सकता है। Voice notes और interviews को bulk में transcribe किया जा सकता है। चूंकि provider विवरण में translation का भी नाम है, मॉडल वहां उपयोग किया जा सकता है जहां लक्ष्य केवल यह दर्ज करना नहीं है कि क्या कहा गया, बल्कि उसे किसी अन्य भाषा में प्रस्तुत करना है। Audio understanding workloads, जैसे downstream processing के लिए spoken material की सामग्री निकालना, भी इसके अनुकूल हैं। यदि आपकी pipeline को बाद में transcript को summarise या classify करने के लिए किसी text मॉडल की आवश्यकता है, तो वह एक अलग चरण है जिसके लिए अलग मॉडल चाहिए।

आप इसे api14 के OpenAI compatible API के माध्यम से model id "mistralai/voxtral-small-24b-2507-stt" का उपयोग करके call करते हैं। चूंकि endpoint OpenAI format का पालन करता है, आप मौजूदा OpenAI client libraries को api14 पर इंगित कर सकते हैं और request में अपना audio भेज सकते हैं, फिर response से transcription पढ़ सकते हैं। इस मॉडल के लिए कोई supported parameters सूचीबद्ध नहीं हैं, इसलिए मॉडल चुनने और audio देने के अलावा tune करने के लिए कुछ नहीं है; अपनी request सरल रखें और यह न मानें कि temperature, top_p, या ऐसे समान knobs का कोई प्रभाव पड़ेगा।

चूंकि कोई context length प्रकाशित नहीं है और कोई parameters उजागर नहीं किए गए हैं, इस मॉडल को भारी रूप से configure करने वाली चीज़ के बजाय एक समर्पित transcription component मानना सर्वोत्तम है। यदि आपको ऐसा मॉडल चाहिए जो audio के साथ text prompts भी स्वीकार करे, या ऐसा जिसमें आप request parameters के माध्यम से generation behaviour नियंत्रित कर सकें, तो catalogue में कोई अन्य मॉडल बेहतर फिट हो सकता है। सीधे speech to text और speech translation कार्य के लिए, यह सीधा विकल्प है।