Voxtral-Mini-4B-Realtime-Arabic: 4,4B параметрів потокова ASR-модель для арабських діалектів

TL;DR

• •Потокова ASR-модель Voxtral-Mini-4B-Realtime-Arabic на 4,4B параметрів
• •Спеціалізована на арабські діалекти та код-світчинг
• •Досягає 8,82% CER при затримці 480 мс
• •Опублікована на Hugging Face: mistralai/Voxtral-Mini-4B-Realtime-Arabic
• •Ваги не публічні, лише архітектура та код

---

Як це змінить ваш ринок?

Для компаній, що працюють з арабською мовою в контенті або послугах, ця модель сигналізує зростання доступності нишових ASR-рішень. Однак без публічних ваг та готового API вона не зменшує залежність від комерційних провайдерів типу Google або Azure Speech. Реальна зміна йтиме від спільноти, якщо модель повністю відкриють.

Визначення:

ASR (Automatic Speech Recognition) — технологія перетворення мовлення в текст, критична для субтитрів, голосових асистентів та аналізу дзвінків.

Для кого це і за яких умов (ОБОВ'ЯЗКОВО: мін. обладнання/бюджет, потрібна команда чи ні, мін. масштаб, час на впровадження.

• •Для дослідників: ноутбук з 16GB RAM, навички PyTorch, 2-4 години на запуск інференсу
• •Для SMB без IT-команди: не рекомендується — потрібна інженерна підтримка для розгортання та оптимізації
• •Мін. масштаб: будь-який, але практично корисно від 10+ год обробки аудіо/міс

Альтернативи

| | Whisper large-v3 | Google Cloud Speech | Azure Speech | | Ціна | безкоштовно | $1.60/1 godz | $1.00/1 godz | | Де працює | локально, GPU | хмара | хмара | | Мін. вимоги | 10GB GPU RAM | інтернет | інтернет | | Ключова різниця | повністю опенсорс, ваги публічні | комерційний API, підтримка | комерційний API, інтеграція з Azure |

---