Mistral: Voxtral Small 24B 2507 STT

Mistral: Voxtral Small 24B 2507 STT to model transkrypcji mowy od Mistral AI. Należy do kategorii transkrypcji, a jego nazwa odzwierciedla zarówno większą pojemność 24B tego modelu, jak i jego skupienie na pracy związanej z zamianą mowy na tekst. Mistral pozycjonuje go do zadań transkrypcji, tłumaczenia i rozumienia dźwięku, które korzystają z tej większej pojemności modelu, więc jest skierowany do deweloperów potrzebujących czegoś więcej niż minimalnego przetworzenia mowy na tekst na swoich nagraniach.

Model przyjmuje dźwięk jako modalność wejściową i zwraca transkrypcję jako wynik. Taki jest cały kształt interfejsu: wysyłasz dźwięk, otrzymujesz tekst z powrotem. Dla tego modelu nie podano długości kontekstu ani nie wymieniono żadnych obsługiwanych parametrów żądania, więc należy traktować go jako wyspecjalizowany endpoint o jednym celu, a nie ogólny model czatu, którym można sterować za pomocą ustawień próbkowania. Szczegóły podają również maksymalne wyjście równe 0, co oznacza, że nie ma osobno ogłaszanego budżetu tokenów wyjściowych, który trzeba by uwzględniać w planowaniu.

Praktyczne zastosowania wynikają bezpośrednio z tego kształtu: dźwięk na wejściu, transkrypcja na wyjściu. Nagrania spotkań i rozmów można zamienić na tekst do wyszukiwania, przeglądu lub archiwizacji. Notatki głosowe i wywiady można transkrybować masowo. Ponieważ opis dostawcy wymienia również tłumaczenie, model można stosować tam, gdzie celem jest nie tylko uchwycenie tego, co zostało powiedziane, ale też przedstawienie tego w innym języku. Zadania rozumienia dźwięku, takie jak wyodrębnianie treści materiału mówionego do dalszego przetwarzania, to kolejne zastosowanie. Jeśli Twój potok wymaga modelu tekstowego do podsumowania lub klasyfikacji transkrypcji później, to osobny krok z osobnym modelem.

Wywołujesz go przez zgodne z OpenAI API api14, używając identyfikatora modelu "mistralai/voxtral-small-24b-2507-stt". Ponieważ endpoint działa w formacie OpenAI, możesz skierować istniejące biblioteki klienckie OpenAI na api14 i wysłać swoje audio w żądaniu, a następnie odczytać transkrypcję z odpowiedzi. Dla tego modelu nie wymieniono żadnych obsługiwanych parametrów, więc nie ma nic do dostrajania poza wyborem modelu i dostarczeniem audio; utrzymuj żądanie w prostocie i nie zakładaj, że temperature, top_p lub podobne ustawienia będą miały jakikolwiek efekt.

Ponieważ nie opublikowano długości kontekstu i nie udostępniono żadnych parametrów, ten model najlepiej traktować jako dedykowany komponent transkrypcji, a nie coś, co można mocno konfigurować. Jeśli potrzebujesz modelu, który przyjmuje podpowiedzi tekstowe razem z audio, albo takiego, w którym możesz kontrolować zachowanie generowania przez parametry żądania, lepiej może pasować inny model z katalogu. Do prostych zadań zamiany mowy na tekst i tłumaczenia mowy ten jest bezpośrednim wyborem.