Voxtral Small 24B 2507

Суть

Voxtral Small — мультимодальная модель Mistral для работы с речью и текстом. Она может преобразовывать аудио в текст, переводить сказанное и отвечать на вопросы о содержании записи. В отличие от связки отдельных распознавателя и языковой модели, Voxtral способна анализировать аудио и формировать по нему ответы или структурированные резюме в одном диалоге. Текстовые возможности унаследованы от языковой основы Mistral Small 3.1.

Сильные стороны

Модель поддерживает отдельный режим транскрибации и может автоматически определять язык исходной речи. В режиме аудиопонимания пользователь может задавать вопросы непосредственно о записи, в том числе вместе с текстовой инструкцией. Среди заявленных сценариев также есть перевод речи и вызов функций по намерению, высказанному голосом; поддержку вызова функций разработчик обозначает как экспериментальную.

Контекст и модальности

По данным каталога, контекст составляет 32 000 токенов. На вход принимает текст, аудио и файлы, а генерирует текст. Поэтому модель подходит для запросов, где нужно получить письменную расшифровку, пояснение, перевод или краткое содержание аудиоматериала.

Типовые сценарии

Voxtral Small можно использовать для расшифровки записей и голосовых сообщений, перевода устной речи, подготовки конспектов встреч и интервью, а также поиска ответов по содержанию аудио. Текстовый режим позволяет применять её и для обычных диалоговых задач. В приложениях голосовой интерфейс может передавать распознанное намерение в функцию или рабочий процесс.

Ограничения

Выход модели — текст: генерация аудио в каталоге не указана. В карточке разработчика отмечено, что системные промпты пока не поддерживаются. Вызов функций описан как экспериментальная возможность, поэтому для критичных автоматизированных действий необходима проверка результата и безопасная обработка команд.

Отличие от соседей по семейству

Voxtral Small развивает Mistral Small 3, добавляя к текстовым возможностям понимание аудио. В семействе также есть Voxtral Mini: Mistral позиционирует Small для приложений производственного масштаба, а Mini — для локального и периферийного развёртывания. Таким образом, выбор зависит от сценария развёртывания и того, насколько важна обработка речи наряду с текстом.