Mistral išleido atvirojo kodo realaus laiko arabų kalbos atpažinimo modelį Voxtral Mini 4B Realtime Arabic
Trumpai: Mistral AI pristatė Voxtral Mini 4B Realtime Arabic — srautinio kalbos atpažinimo (STT) modelį, pritaikytą arabų kalbos tarmėms, literatūrinei arabų kalbai ir kalbų kaitaliojimui pokalbio metu. 4,4 milijardo parametrų modelis apdoroja 16 kHz garsą realiu laiku su konfigūruojamu transkripcijos vėlavimu ir, esant 480 ms delsai, pasiekia vidutinį 8,82% simbolių klaidų rodiklį (CER) septyniuose arabų kalbos testuose — tai artima neprisijungus veikiančio Voxtral Transcribe Arabic modelio 7,91% rodikliui. Modelis sukurtas kartu su Maroko skaitmeninės transformacijos ministerija kaip suvereni AI priemonė ir išleistas pagal Apache 2.0 licenciją.
Šią santrauką automatiškai parengė dirbtinis intelektas pagal „Mistral AI (Hugging Face)“ publikaciją. Tai mūsų tekstas, ne originalo kopija — faktai, skaičiai ir citatos priklauso šaltiniui, kurio nuoroda pateikta viršuje ir apačioje.
Kas pasikeitė?
- 1Naujas modelis: Voxtral Mini 4B Realtime Arabic, sukurtas pritaikant Voxtral-Mini-4B-Realtime-2602
- 2~4,4 mlrd. parametrų, BF16 svoriai, priežastinė (causal) audio koduotojo-dekoderio architektūra
- 3Apdoroja 16 kHz garsą su konfigūruojamu transkripcijos vėlavimu, tinka tiesioginiams subtitrams/balso sąsajoms
- 48,82% vidutinis CER septyniuose arabų kalbos testuose esant 480 ms delsai, palyginti su 7,91% neprisijungus veikiančiu Voxtral Transcribe Arabic
- 5Treniruotas daugiausia dėmesio skiriant arabų kalbos kaitaliojimui, pastebėta ir netikėta nauda kitoms kalbų poroms
- 6Išleistas pagal Apache 2.0 licenciją, palaikomas per vLLM ir Transformers >=5.2.0
| Parametras | Buvo | Dabar |
|---|---|---|
| Parametrai | Nenurodyta | ~4,4 milijardo |
| Tikslumas | Nenurodyta | BF16 |
| Garso įvestis | Nenurodyta | 16 kHz srautinis garsas |
| Transkripcijos vėlavimas | Nenurodyta | Konfigūruojamas, testuota su 480 ms |
| Tikslumas (CER) | Voxtral Transcribe Arabic: 7,91% | 8,82% vidurkis septyniuose arabų kalbos testuose |
| Licencija | Nenurodyta | Apache 2.0 |
Kodėl tai svarbu?
Realaus laiko, mažos delsos, atviro kodo STT arabų kalbos tarmėms su stipriu kalbų kaitaliojimo palaikymu užpildo spragą balso sąsajoms ir tiesioginiams subtitrams arabakalbėse rinkose, o jo tikslumas artimas neprisijungus veikiančio atpažinimo kokybei, nepaisant srautinio veikimo režimo.
Ką tai reiškia AI agentams ir kontaktų centrams?
Įmonėms, valdančioms balso agentus ar skambučių centrus daugiakalbėse ar kalbas kaitaliojančiose aplinkose, šis modelis parodo veikiantį atviro kodo metodą mažos delsos srautiniam STT su konfigūruojamu vėlavimu — verta išbandyti lyginant su dabartiniu STT sprendimu pagal delsą, tarmių tikslumą ir savarankiško talpinimo kainą, ypač jei planuojate plėstis už pagrindinių kalbų ribų.
🧪 Verta testuoti
Jo konfigruojama mažos delsos srautinio veikimo architektūra ir stiprus kalbų kaitaliojimo veikimas yra naudingas atskaitos taškas vertinant realaus laiko STT delsos ir tikslumo kompromisus, net ir ne arabų kalbos diegimams.
Šaltiniai
- Mistral AI (Hugging Face)OficialusPirminis šaltinisOriginalus straipsnis →„mistralai/Voxtral-Mini-4B-Realtime-Arabic released on Hugging Face (automatic-speech-recognition)“2026-10-08 14:36Licencija: Model card; license per model · mūsų santrauka (turinys pakeistas)
- Šaltinio publikavimo data
- 2026-10-08 14:36
- Mūsų sistema rado
- 2026-10-09 20:39
- Santrauka sugeneruota
- 2026-10-09 20:41
Straipsnį pagal originalų šaltinį parašė AI. Faktai, skaičiai ir kainos — iš šaltinio; trūkstamos reikšmės pažymėtos „Nėra oficialių duomenų“. Teisinė informacija, autorių teisės ir privatumas