Voxtral Mini 3B 2507

Эта страница Soniqo описывает Voxtral Mini 3B 2507 из локальной реализации speech-swift / speech-core. Ссылки на Hugging Face находятся ниже после заметок по интеграции.

Сначала внутренняя страница

Карточки и меню документации сначала ведут сюда; ссылки на исходную модель и бандлы остаются на этой странице.

Кратко

Модель	Voxtral Mini 3B 2507
Роль	High-accuracy multilingual offline speech-to-text
Backend	Native MLX on Apple Silicon
Вывод	Plain-text transcription
Языки	English, French, German, Spanish, Italian, Portuguese, Dutch, and Hindi
Лицензия	Apache-2.0
Статус	Published FP16, INT5, and INT8 bundles; INT5 is the default
Источник	Mistral Voxtral Mini 3B 2507
Swift-продукт	`VoxtralASR`
CLI / runtime	`speech transcribe --engine voxtral`

Использование

Фрагмент ниже соответствует текущему API или команде из 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

Ссылки модели

Заметки реализации

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.
This is a non-streaming engine. Benchmark results cover English read speech, not conversational or speaker-heavy audio.