/ Модель

Характеристики

Размер весов
9,4 ГБ
Лицензия
Apache 2.0
Архитектура
voxtral · dense
Базовая модель
Voxtral-Mini-3B-2507
Библиотека
mlx
Опубликована
23 июл 2026

Voxtral-Mini-3B-2507-MLX-FP16

Распознавание речиАудио → текст

FP16-модель Voxtral Mini 3B в формате MLX для локальной транскрибации речи на восьми языках.

17скачиваний за 30 дней0лайковвеса обновлены23 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Это FP16-представление Voxtral Mini 3B 2507 в формате MLX, подготовленное разработчиком aufklarer для локального преобразования речи в текст с помощью speech-swift. Модель основана на mistralai/Voxtral-Mini-3B-2507 и использует плотную архитектуру VoxtralForConditionalGeneration; содержит около 3 млрд параметров и принимает аудио с частотой дискретизации 16 кГц.

Модель предназначена для локальной транскрибации аудиозаписей. В карточке перечислена поддержка английского, французского, немецкого, испанского, итальянского, португальского, нидерландского и хинди. В тесте на 80 англоязычных фрагментах чтения из FLEURS на Apple M5 Pro вариант FP16 показал WER 4,633% и средний RTF 0,1305; эти результаты относятся только к указанному тесту чтения.

Для запуска требуется среда MLX и совместимое оборудование Apple. Репозиторий распространяется по лицензии Apache-2.0. Приведённый бенчмарк не характеризует качество на разговорной речи или других наборах данных.

Сценарии применения

  • транскрибация англоязычных записей
  • распознавание речи во французских аудиозаписях
  • преобразование немецкой речи в текст
  • транскрибация записей на испанском, итальянском или португальском
  • распознавание нидерландской речи и хинди

Ограничения

Для запуска требуется среда MLX и совместимое оборудование Apple; вариант FP16 занимает 8,71 GiB, а измеренный пиковый RSS составил 9 091 MiB. Бенчмарк проведён на короткой выборке англоязычной речи для чтения и не показывает качество на разговорной речи или других языках.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Voxtral Mini 3B 2507 — MLX FP16

MLX weights for Voxtral Mini 3B 2507, ready for local speech-to-text with speech-swift.

The FP16, INT5, and INT8 family passed the isolated WER, RTF, throughput, RSS, and physical-footprint compatibility gate on 2026-07-22 using English FLEURS.

ParametersPrecisionSample rateLanguages
3BFP1616 kHz8

Files

FileDescription
model*.safetensorsMLX model weights
config.json and params.jsonModel and runtime configuration
tekken.jsonTekken tokenizer data

Usage

speech transcribe recording.wav --engine voxtral --model fp16
import VoxtralASR

let model = try await VoxtralModel.load(
    "aufklarer/Voxtral-Mini-3B-2507-MLX-FP16"
)
let text = model.transcribe(
    audio: samples,
    sampleRate: sourceSampleRate,
    language: "en"
)

Benchmark

English FLEURS read speech, 80 utterances (759.56 seconds), Apple M5 Pro:

VariantBundleWERMean RTFPeak RSS
FP168.71 GiB4.633%0.13059,091 MiB
INT53.77 GiB4.744%0.07394,035 MiB
INT85.18 GiB4.578%0.09065,487 MiB

These read-speech measurements are not Artificial Analysis Conversational or ElevenLabs Scribe results.

Source and license

The base model is mistralai/Voxtral-Mini-3B-2507 and is released under Apache 2.0.

Links

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Класс архитектуры
VoxtralForConditionalGeneration
Ревизия весов
dfe9c4b

0 моделей