Voxtral Mini 3B 2507
توثق هذه الصفحة من Soniqo نموذج Voxtral Mini 3B 2507 كما هو منفذ في speech-swift / speech-core. روابط Hugging Face موجودة أدناه بعد ملاحظات الدمج.
الصفحة الداخلية أولا
بطاقات الصفحة الرئيسية وقوائم الوثائق تشير إلى هذه الصفحة أولا؛ وتبقى روابط النموذج والحزم داخلها.
لمحة سريعة
| النموذج | Voxtral Mini 3B 2507 |
|---|---|
| الدور | High-accuracy multilingual offline speech-to-text |
| Backend | Native MLX on Apple Silicon |
| الإخراج | Plain-text transcription |
| اللغات | English, French, German, Spanish, Italian, Portuguese, Dutch, and Hindi |
| الرخصة | Apache-2.0 |
| الحالة | Published FP16, INT5, and INT8 bundles; INT5 is the default |
| المصدر | Mistral Voxtral Mini 3B 2507 |
| منتج Swift | VoxtralASR |
| CLI / runtime | speech transcribe --engine voxtral |
الاستخدام
المقتطف أدناه يطابق API أو الأمر الحالي في speech-swift.
# INT5 is the default.
speech transcribe recording.wav --engine voxtral
# Select another published precision and pass a language hint.
speech transcribe recording.wav --engine voxtral --model int8 --language fr
# --model also accepts a Hugging Face model ID or a local directory.
speech transcribe recording.wav --engine voxtral --model /models/voxtral/int5قياس الأداء
قيس في 2026-07-22 على 80 نطقًا مقروءًا بالإنجليزية من FLEURS (759.56 ثانية إجمالًا)، على Apple M5 Pro بذاكرة 48 غيغابايت ونظام macOS 26.5.2. نُفذ كل متغير في عملية مستقلة من بناء release.
| Variant | Bundle | WER | Δ WER | Mean RTF | Overall ×RT | Footprint |
|---|---|---|---|---|---|---|
| FP16 | 8.71 GiB | 4.633% | — | 0.1305 | 8.05× | 10,568 MiB |
| INT5 | 3.77 GiB | 4.744% | +0.110 pp | 0.0739 | 14.47× | 6,012 MiB |
| INT8 | 5.18 GiB | 4.578% | -0.055 pp | 0.0906 | 11.79× | 7,233 MiB |
البصمة الفعلية هي مقياس الذاكرة الموحدة المهم عند النشر، لأن MLX قد يربط ملفات الأوزان بالذاكرة. وFLEURS كلام مقروء بالإنجليزية: لا تدّعي هذه الأرقام تكافؤًا على الصوت الحواري أو الهاتفي أو الصاخب أو متعدد المتحدثين.
روابط النموذج
ملاحظات التنفيذ
- The audio frontend resamples mono Float32 PCM to 16 kHz and packs up to 30 seconds of audio per request.
- INT5 is the default: on the validated English FLEURS run it used a 3.77 GiB bundle, 6,012 MiB physical footprint, and 0.0739 mean RTF.
- The decoder projects only the final prompt state through the 131,072-token language-model head, reducing quantized-model RTF without changing transcripts.
- MLX has no INT7 affine kernel; use INT8 as the supported higher-quality option.
- Audio is padded to whole 30-second chunks and concatenated into one prompt, so prompt and decoder-cache memory grow with the number of chunks. Segment very long recordings until a chunk-merge path exists.
- This is a non-streaming engine.