Mistral: Voxtral Mini Transcribe

Mistral Voxtral Mini Transcribe to model zamiany mowy na tekst od Mistral, wywodzący się z rodziny Voxtral Mini. Został zbudowany specjalnie do zadań transkrypcji, a nie do ogólnego czatu czy generowania, i znajduje się w kategorii transkrypcji na api14. Jeśli znasz już Mistral z jego modeli językowych, to ten sam dostawca stosuje tę pracę do dźwięku, z węższym i bardziej przewidywalnym zadaniem: zamianą nagranej mowy na tekst pisany.

Model przyjmuje dźwięk jako jedyne wejście i zwraca transkrypcję jako wyjście. Nie akceptuje podpowiedzi tekstowych ani obrazów, więc nie ma mieszania multimodalnego do zaplanowania. Okno kontekstu wynosi 16 384 tokeny, a maksymalne wyjście to 13 107 tokenów. Ten limit wyjścia ma znaczenie w praktyce, ponieważ ogranicza, ile transkrybowanego tekstu może zwrócić pojedyncze żądanie, co z kolei ogranicza, ile dźwięku należy wysłać w jednym wywołaniu. Długie nagrania mogą wymagać podziału na mniejsze segmenty, aby każda odpowiedź mieściła się w tym limicie.

Ponieważ wejściem jest dźwięk, a wyjściem tekst, oczywiste zastosowania to transkrypcja spotkań, notatki z rozmów, porządkowanie notatek głosowych, zapis wykładów oraz przepływy pracy związane z podpisami do podcastów lub filmów, w których potrzebny jest zapis tekstowy przed dalszym przetwarzaniem. Pasuje również do potoków, które przekazują transkrypcje do dalszych kroków, takich jak streszczanie, indeksowanie wyszukiwania czy wyodrębnianie słów kluczowych, ponieważ wyjściem jest zwykły transkrybowany tekst. Wszędzie tam, gdzie masz nagraną mowę i potrzebujesz jej jako tekstu, ten model jest bezpośrednim rozwiązaniem.

Wywołujesz go przez zgodne z OpenAI API api14, używając identyfikatora modelu "mistralai/voxtral-mini-transcribe". Ponieważ interfejs jest zgodny z formatem transkrypcji OpenAI, wysyłasz dźwięk w żądaniu i otrzymujesz transkrypcję w odpowiedzi, co oznacza, że istniejące klienty transkrypcji OpenAI zwykle wymagają zmiany tylko adresu bazowego i identyfikatora modelu. Model nie wymienia żadnych obsługiwanych parametrów, więc nie ma ustawień próbkowania ani generowania do dostrojenia; utrzymuj żądania proste i polegaj na wartościach domyślnych. Jeśli potrzebujesz zachowania wykraczającego poza zwykłą transkrypcję, ten model nie jest właściwym narzędziem, ponieważ generuje wyłącznie wynik transkrypcji i nie udostępnia żadnych regulowanych parametrów.