Voxtral Mini 3B 2507

หน้านี้ของ Soniqo อธิบาย Voxtral Mini 3B 2507 ตาม implementation ใน speech-swift / speech-core ส่วนลิงก์ Hugging Face อยู่ใต้หมายเหตุการใช้งาน

เข้าหน้าในเว็บก่อน

การ์ดหน้าแรกและเมนูเอกสารจะชี้มาที่หน้านี้ก่อน ส่วนลิงก์ไปยัง source model และ bundle ยังอยู่ในหน้านี้

ภาพรวม

โมเดล	Voxtral Mini 3B 2507
บทบาท	High-accuracy multilingual offline speech-to-text
Backend	Native MLX on Apple Silicon
Output	Plain-text transcription
ภาษา	English, French, German, Spanish, Italian, Portuguese, Dutch, and Hindi
License	Apache-2.0
สถานะ	Published FP16, INT5, and INT8 bundles; INT5 is the default
Source	Mistral Voxtral Mini 3B 2507
Swift product	`VoxtralASR`
CLI / runtime	`speech transcribe --engine voxtral`

การใช้งาน

snippet ด้านล่างตรงกับ API หรือคำสั่งปัจจุบันใน 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

ลิงก์โมเดล

หมายเหตุ implementation

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.