Awtomatikong salin · Orihinal sa Ingles

Voxtral Mini 3B 2507

Ang unang-party Soniqo page na ito ay mga dokumento Voxtral Mini 3B 2507 mula sa lokal na speech-swift / speech-core pagpapatupad. Hugging Face na mga bungkos ay nakaugnay sa ibaba pagkatapos ng mga notasyon.

Panloob na Pahina Muna

Una na ngayong binabanggit dito ng mga landing card at docs menus ang tungkol dito; ang mga kawing ng source model at bround ay nananatiling makukuha mula sa pahinang ito.

Sa Isang Kaningningan

Huwaran	Voxtral Mini 3B 2507
Ang Papel	Mataas na-accuracy na languageline speech-to-text
Likod	Katutubong MLX sa Apple Silicon
Ilabas	Pagkopya ng Plain-text
Wika	Ingles, Pranses, Aleman, Kastila, Italyano, Portuges, Olandes, at Hindi
Lisensiya	Apache-2.0
Kalagayan	Inilathala FP16, INT5, at INT8 bungkos; INT5
Pinagmumulan	Mistral Voxtral Mini 3B 2507
Swift produkto	`VoxtralASR`
CLI / Oras ng pagtakbo	`speech transcribe --engine voxtral`

Gamitin

Ang snippet sa ibaba ng salamin ang kasalukuyang speech-swift API o utos na inilantad ng repo.

# 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/int5

Bantay

Sinusukat noong 2026-07-22 sa 80 English FLEURS read-speech expressions na may kabuuang 759.56 segundo, sa isang Apple M5 Pro na may 48 GB ng memorya na tumatakbo ng macOS 26.5.2. Ang bawat variant ay tumatakbo sa sarili nitong proseso mula sa isang release building.

Kaurian	Budburan	WER	Δ WER	Kahulugan RTF	Pangkalahatang ×RT	Footprint
FP16	8.71 GiB	4.633%	—	0.1305	8.05×	10,568 MiB
INT5	3.77 GiB	4.744%	+0.110 p	0.0739	14.47×	6,012 MiB
INT8	5.18 GB	4.578%	-0.055 p	0.0906	11.79×	7,233 MiB

Ang pisikal na footprint ay ang depostment-relevant na nagkakaisang-memory na pigura, dahil ang MLX ay maaaring memoryal-map na mga file ng timbang. FLEURS ay Ingles na binabasang pananalita: ang mga numerong ito ay hindi nag-aangkin ng paridad sa usapan, telepono, maingay, o speaker-FLEX audio.

Mga Kaugnayan sa Modelo

Mga Nota ng Pag - iisa

Ang audio frontend ay nagreresulta sa mono Float32 PCM hanggang 16 kHz at nagdurulot ng hanggang 30 segundo ng audio kada kahilingan.
Ang INT5 ay ang default: sa pinagtibay na English FLEURS run ito ay gumagamit ng isang 3.77 GiB brock, 6,012 MiB pisikal na footprint, at 0.0739 ay nangangahulugang RTF
Ang decoder ay nagsasagawa lamang ng pangwakas na agarang estado sa pamamagitan ng 131,072-token na wika-model head, binabawasan ang quanized-model RTF nang walang nagbabagong transcripts.
MLX ay walang INT7 affine kernel; gumamit ng INT8 bilang suportadong mas mataas na-quality option.
Ang audio ay may sapin sa buong 30-pangalawang tipak at naka-cated sa isang agarang, kaya ang mabilis at decoder-cache memory ay lumalaki na may bilang ng mga tipak. Segment na napakahabang recordings hanggang sa ang isang split-merge path ay umiiral.
Ito ay isang non-streaming engine.