Voxtral-Mini-4B-Realtime-Arabic: Mistral שחררה מודל ASR לניב ערבי ולא אמרה דבר

חמישים ותשע שניות הן כל ההכרזה הפומבית על Voxtral-Mini-4B-Realtime-Arabic. בשעה 11:36:06 UTC ב-8 באוקטובר 2026 הופיע ב-Hugging Face מאגר בשם mistralai/Voxtral-Mini-4B-Realtime-Arabic. בשעה 11:37:05 — חמישים ותשע שניות לאחר מכן — הופיע לצדו מאגר שני, mistralai/LIDstral-Arabic. לשניהם חתימת זמן שינוי זהה, שניהם עמדו על אפס הורדות ושלושה לייקים כשזה נכתב ב-10 באוקטובר, ולאף אחד מהם אין מאחוריו פוסט השקה, עמוד תמחור, רשומת בלוג או שורה באינדקס החדשות של Mistral. Voxtral-Mini-4B-Realtime-Arabic הוא מודל המרת דיבור לטקסט בזרימה עבור ערבית — ערבית ספרותית מודרנית בתוספת חמישה-עשר ניבים בשמותיהם — שעבר כיוונון עדין מ-Voxtral-Mini-4B-Realtime-2602 ופורסם תחת Apache 2.0 עם משקולות BF16 הניתנות להורדה. זו לפחות העובדה שהמאגר מוכיח. האם Mistral מתכוונת לתמוך בו, לתמחר אותו או לומר עליו דבר בכלל — עדיין אין לדעת, והטקסט הזה מפריד בין שתי הקטגוריות הללו במכוון.

הגרסה הקצרה: ארכיטקטורת ASR בזמן אמת שידועה כטובה הופנתה אל משפחת שפות אחת והדיאלקטים שלה, המשקולות ושני נתיבי ההגשה ציבוריים וניתנים להרצה היום, והחברה שמאחוריה לא דיברה. להלן קריאה של מה שקיים בפועל — חותמות הזמן של המאגר, קובצי התצורה, המספרים של כרטיס המודל עצמו — בתוספת קו ברור סביב מה ששום דבר מזה לא אומר לך.

מה יש על ההאב, ואיך זה הגיע לשם

הארטיפקט הראשי הוא מאגר Hugging Face יחיד, mistralai/Voxtral-Mini-4B-Realtime-Arabic, הנושא כרטיס מודל, משקולות safetensors ב-BF16, ואת קובצי המעבד והתצורה הדרושים לטעינתו. חתימת הזמן של יצירתו היא 2026-10-08T11:36:06Z. השינוי האחרון שלו הוא 2026-10-09T17:11:35Z — המאגר עדיין נגעו בו ביום שלמחרת הופעתו.

העיתוי של הריפו האח הוא הפרט שהופך העלאה שקטה בודדת למשהו ששווה לקרוא. mistralai/LIDstral-Arabic נוצר ב-2026-10-08T11:37:05Z, פחות מדקה לאחר מכן, עם חתימת זמן שינוי זהה ומוני מעורבות זהים, ותג pipeline של text-classification ולא זיהוי דיבור. שני מאגרים, שתי משימות שונות, בהפרש של שישים שניות. כך לא מפרסמים ניסוי חד-פעמי; כך דוחפים אצווה.

הפער הרחב יותר הוא מה שהופך את הזיווג למוזר. לפני ה-8 באוקטובר, מאגר המודלים העדכני ביותר של Mistral מכל סוג היה Shieldstral-1.0-3B בתאריך 2026-07-16 — בערך שנים-עשר שבועות של Hub ריק, שנשברו על ידי שתי העלאות בתוך דקה. צ'קפוינט ASR לניב ערבי ומסווג זיהוי שפה ערבית שמגיעים יחד, ללא שם וללא הסבר, הם סימן ההיכר של שחרור שמתואם מבפנים ולא מוכרז כלפי חוץ. זה לא סימן ההיכר של הדלפה, וכדאי לדייק לגבי הסיבה: הדלפה היא משקלים ללא רישיון, ללא קונפיגורציה, ללא נתיב הגשה. לזה יש את כל השלושה.

כרטיס המודל נכתב לשם הפצה. הוא מתעד שימוש, בנצ'מרקים, מגבלות ורישיון בפורמט המקובל, והוא מציין את שותפת הפיתוח: Ministère de la Transition Numérique et de la Réforme Administrative של מרוקו, במסגרת השותפות האסטרטגית שנחתמה בין Mistral למרוקו בינואר 2026, כאשר המודל מתואר כנכס בינה מלאכותית ריבוני. המסגור הזה עקבי עם תוצר שקיים משום שחוזה מחייב את קיומו, וזו אחת הסיבות הסבירות לכך שהמשקלים יכולים להיות פומביים בעוד שפוסט השקה נעדר. זו סיבה סבירה. היא אינה סיבה מאושרת, וכרטיס המודל אינו אומר זאת.

רשימת הניבים היא ההחלטה המוצרית האמיתית

הכרטיס נושא שישה עשר תגי מספר. רק אחד מהם הוא שפה במובן הרגיל.

• ערבית סטנדרטית מודרנית — ar תג, המגוון שכל מערכת ASR ערבית כבר מטפלת בו.

• המגרב — מרוקאית (ary), לובית (ayl), תוניסאית (aeb), אלג'יראית (arq) וחסאניה, הניב המאוריטני (mey).

• מפרץ — ערבית מפרצית בבחריין, כווית, קטאר ואיחוד האמירויות (afb), נג'די (ars), עומאני (acx) וצנעאני, הניב התימני (ayn).

• עמק הנילוס — מצרית (arz) וסודאנית (apd).

• לבנטינית ועיראק — מסופוטמית (acm), לבנטינית דרומית עבור ירדן ופלסטין (ajp) ולבנטינית צפונית עבור לבנון וסוריה (apc).

• אחר — צ'אדית (shu).

קרא את זה כמפרט והנקודה אינה "זה עושה ערבית". המון מודלים עושים ערבית. הנקודה היא שדאריג'ה מרוקאית, ערבית מפרצית, ערבית מצרית וערבית צ'אדית מופיעות כיעדי אימון נפרדים ולא כמבטאים שמודל ערבית ספרותית אחד אמור לספוג. זו בעיה קשה יותר באופן מהותי, וזו הבעיה שבאמת שוברת מערכות דיבור ערביות בייצור — מוקד שירות מרוקאי וקו תמיכה מפרצי הם לא אותו אודיו, ומודל שמכוונן על פוסחה נוטה להיכשל בשניהם. הכרטיס גם מציין שהחלפת קודים, שבה דובר מחליף שפות באמצע שיחה, הייתה מוקד אימון ולא תופעת לוואי.

המגבלה מוצהרת בדיוק באותה פשטות, וכדאי לצטט את תוכן הדברים ולא לרכך אותם: המודל מיועד לתעתוק ערבית, ולשפות אחרות הכרטיס מפנה אתכם אל Voxtral-Mini-4B-Realtime-2602 המקורי. זהו צ'קפוינט מתמחה, לא כללי. אין בו כל עמימות ואין רמז לכך שגרסה רב־לשונית עתידה להגיע.

הארכיטקטורה, כפי שהיא נקראת מהקונפיגורציה ולא מהפרוזה

הפרוזה בכרטיס מודל היא בסגנון שיווקי; קובצי התצורה הם מכניים, ובהם שוכנים האילוצים התפעוליים. כל האמור להלן נקרא ישירות מתוך המאגר:config.json, params.json ו-processor_config.json.

• שני מגדלים, לא אחד — מקודד אודיו סיבתי בעל 32 שכבות ברוחב חבוי של 1280 ו-32 ראשי קשב, שמזין מפענח שפה בעל 26 שכבות ברוחב חבוי של 3072, עם 32 ראשי שאילתה מול 8 ראשי מפתח-ערך. הציון "כ-4.4 מיליארד פרמטרים" בכרטיס הוא הסכום; המקודד הוא החצי הקטן יותר שלו.

• חזית אודיו — קלט של 16 kHz, 128 סלי mel, FFT של 400 דגימות עם הופ של 160 דגימות, מה שנותן קצב פריימים של מקודד של 12.5 לשנייה, או פריים אחד כל 80 מילישניות. הארכיטקטורה רשומה כ-voxtral_realtime עם ראש VoxtralRealtimeForConditionalGeneration.

• ההשהיה היא ספירת טוקנים, לא שדה של מילישניות — default_num_delay_tokens הוא 6. שישה פריימים של מקודד בנות 80 מילישניות כל אחד הם 480 מילישניות, וזה בדיוק פרק הזמן שלגביו הכרטיס מציין את נתון הדיוק שלו. נתון זמן התגובה בחומרי השיווק הוא אפוא ערך תצורה שאפשר לשנות, ומספר הכותרת של הכרטיס הוא נקודה אחת על עקומה ולא תכונה של המודל.

• הקשב של המקודד מחולק לחלונות של 750 פריימים — כשישים שניות של אודיו — בעוד שהמפענח מריץ חלון מחליק של 8,192 טוקנים כנגד הטמעת מיקום מקסימלית של 131,072. חלון המקודד הוא המספר הראשון שכדאי לבדוק מול עומס העבודה שלך: סשן סטרימינג שארוך מדקה פועל על חלון מתגלגל, לא על הקשר בלתי מוגבל, והאופן שבו המודל מתנהג כשהקלטה ארוכה נגללת מעבר לגבול הזה אינו משהו שהכרטיס מתייחס אליו.

• כימות אינו נכלל בהפצה — ה-dtype המפורסם הוא bfloat16 בכל מקום. כל מי שרוצה פריסת int8 או fp8 בונה אותה בעצמו.

הנתון של 8.82%, ומי עומד מאחוריו

כל מספר דיוק המשויך למודל הזה מגיע מכרטיס המודל. שום דבר כאן לא שוחזר על ידי צד שלישי, ויש לקרוא את המספרים שלהלן כטענות של הספק עצמו, לא כמדידות.

• שיעור שגיאות התווים הממוצע — 8.82% בשבעה מבחני ייחוס בערבית, בהשהיית תמלול של 480 אלפיות השנייה כברירת מחדל, בטמפרטורה 0.0.

• לעומת אחיו הלא-מקוון של המודל עצמו — Voxtral Transcribe Arabic עומד על 7.91% באותם שבעה בנצ'מרקים, כך שהמודל בזמן אמת מפגר ב-0.91 נקודות אחוז אחרי מודל ערבי לא-סטרימינג של אותו ספק. ההשוואה הזו היא של Mistral עצמה, וזה מה שהופך אותה לשימושית: זהו מדד נקי של מה שעולה השהיה של פחות משנייה במשפחת השפות הזו, על נתונים זהים עם ניקוד זהה.

• בנצ'מרקים חדשים בתמונה — השבעה כוללים את ISMA ואת Darija in the Wild, שלפי הכרטיס פותחו במשותף עם MTNRA של מרוקו. ספק שמציג מערכי הערכה משלו לצד מודל הוא דבר רגיל, וזה גם אומר שלחלק מחבילת הבנצ'מרקים אין היסטוריה חיצונית להשוות אליה.

• נרמול הוא ההסתייגות המכרעת — נתוני ה-CER מחושבים לפי סכימת נרמול שפותחה גם היא במשותף עם MTNRA, ומכסה איות ייחודי לדיאלקט, קליטיקות, מילים שאולות ומספרים מדוברים, והכרטיס מציין במפורש שהציונים עשויים להיות שונים תחת שיטות נרמול אחרות. הקוד נכלל במאגר בשם normalization.py. יש לקרוא זאת כהזמנה לבדוק, וגם כאזהרה: שני צוותים יכולים להריץ את המודל הזה על אותו אודיו ולפרסם מספרי CER שונים בלי שאף אחד מהם טועה.

• הערת שוליים אחת פועלת לרעת מתחרה — הכרטיס מציין שמסנני הבטיחות של Gem​ini חוסמים תמלול של כמה דוגמאות אודיו של FLEURS. זו תצפית ספציפית וניתנת לבדיקה על פייפליין מתחרה, וזה מסוג ההתנהגות שלוח דירוג משטח: דוגמה שמודל מסרב לתמלל מתפרשת ככישלון או כנתונים חסרים, ואף אחת משתי הקריאות אינה ניקוד הוגן.

שני דברים חסרים בבסיס הראיות, ושניהם חשובים. אין הערכה בלתי־תלויה, ולכן שום נתון כאן לא שרד מפגש עם צד שלישי. ואין מחיר, כי אין שירות — שום דבר לא נמכר, ולכן אין מה לתמחר. מודל שיוצא עם מספרים מוצהרים ובלי הצעה מסחרית הוא מודל שאיש מחוץ למעבדה לא ראה סיבה לבדוק את המספרים שלו.

מריצים את זה היום

זהו החלק שמפריד בין צ׳קפוינט אמיתי לבין מציין מקום, והמאגר שלם באופן יוצא דופן עבור משהו שטרם הוכרז. שני מסלולים נתמכים מסופקים על הכרטיס.

• vLLM — התקינו את vLLM עם תוספי השמע מ-mistral-common, ואז הגישו את הצ׳קפוינט לפי שם, והזרימו שמע דרך WebSocket לנקודת הקצה /v1/realtime. הכרטיס מפנה לדוגמת דיבור-לטקסט בזמן אמת של vLLM כדבר שאליו יש להתאים, מה שאומר שחוזה ההזרמה הוא ממשק מתועד ומתוחזק ולא משהו שהודבק יחד עבור ההדגמה.

• Transformers — תמיכה מקורית מגרסה 5.2.0, טעינה דרך AutoProcessor ו-VoxtralRealtimeForConditionalGeneration ב-bfloat16, עם דוגמת Python מלאה בכרטיס. קובץ השמע לדוגמה שבו הוא משתמש הוא שיחת בנק בערבית, assets/bank-take-2.wav, שזו לכל הפחות בחירה כנה של קטע הדגמה עבור המודל הזה.

שתי הדרכים הן באירוח עצמי. אין נקודת קצה מתארחת עבור checkpoint זה בשום מקום שנוכל לאמת, אין API של ספק, ואין תעריף מפורסם. התמיכה באקוסיסטם הרחב דקה באמת מעצם העיצוב: תמיכה מקורית ב-Transformers בגרסה 5.2.0 היא הדבר החדש ביותר כאן, ומסלול vLLM תלוי בתוספי השמע. מפעיל שרוצה את זה בפרודקשן מספק את ה-GPU, את תהליך ההגשה ואת לקוח ה-WebSocket, ויורש checkpoint ללא התחייבות תמיכה כלשהי.

הפער הזה הוא המקום שבו שכבת ניתוב באמת מועילה, וכדאי להיות מדויקים לגבי הגבול. OrcaRouter לא מספקת את Voxtral-Mini-4B-Realtime-Arabic — הצ'קפוינט לא נמצא בקטלוג שלנו, ולא נרמוז אחרת. מה שנתב כן מגיע אליו בפריסה הזו הוא כל מה שנמצא במורד הזרם מהתמלול: המסכם, מסווג הכוונות, הסוכן שצורך את הזרם. אלה מודלים שאפשר לקרוא להם דרך מפתח API אחד על פני יותר מ-200 מודלים במחיר המחירון של הספק עם 0% תוספת, עם מעבר אוטומטי לגיבוי כשספק מתדרדר, ו-DSL לניתוב להרכבת כמה מודלים לקריאה אחת. אם אתם מקימים שירות ASR לערבית באירוח עצמי, החלק הדיבורי של המערך הזה הוא שלכם להפעלה; החלק הלשוני לא צריך חוזה שני, SDK שני או מערכת חיוב שנייה שתלווה אותו.

מה יהפוך את זה לסיפור?

זהו ארטיפקט אמיתי ומהדורה לא שלמה, וחוסר השלמות הוא החלק המעניין. לא ניתן למשוך את Apache 2.0 מהמשקלים שכבר הורדו, ולכן סיכון הרישיון נפתר. מה שלא נפתר הוא כל מה שהרישיון אינו מכסה.

שלושה דברים היו משנים את התמונה, ואף אחד מהם עדיין לא קיים. הכרזה: פוסט בבלוג, שכבת תמחור או שורה באינדקס החדשות של Mistral הייתה מסבירה אם מדובר במוצר או בתוצר חוזי, וכמעט בוודאות היא הייתה נושאת את הפרט שכרטיס המודל משמיט. הרצה בלתי תלויה: הנתון של 8.82% והפער של 0.91 נקודות מול Voxtral Transcribe Arabic הם הטענות שהכי כדאי לשחזר, וקוד הנרמול שסופק הופך זאת לקל באופן יוצא דופן לכל מי שרוצה לנסות. וצ'קפוינט שני: מודל לבנטיני, מפרצי או מצרי שיגיע בנפרד יהפוך מומחה לניב בודד למשפחה, וזה ההבדל בין ארטיפקט מחקרי מבטיח לבין משהו שפריסה אזורית יכולה ממש לאמץ כתקן.

עד שלפחות אחד מאלה ינחת, הסיכום המדויק של Voxtral-Mini-4B-Realtime-Arabic הוא זה: צ'קפוינט ASR לניבים ערביים שלם, ניתן להרצה, ברישיון Apache-2.0, שפורסם עם כרטיס מלא ושני מסלולי הגשה נתמכים, ומגיע בלי הודעה מהחברה שיצרה אותו, בלי הערכה בלתי תלויה, בלי מחיר ובלי התחייבות לתמיכה — לצד מודל לזיהוי שפה ערבית שהופיע חמישים ותשע שניות לאחר מכן ומרמז שעוד מזה בדרך ולא פחות.