Voxtral Mini 1.0 3B 2507 ist das kompakte Text- und Audioverständnismodell von Mistral AI auf Basis der Sprachmodellfamilie Ministral 3B. Es verarbeitet Sprachaufnahmen und Textanweisungen und erzeugt Text, darunter Transkripte, Übersetzungen, Antworten zum Audio und strukturierte Zusammenfassungen. Die ursprüngliche Voxtral-Veröffentlichung positioniert dieses 3B-Modell für kompakte oder lokale Anwendungen neben dem separaten Modell Voxtral Small mit 24 Milliarden Parametern. Es ist außerdem vom gehosteten transkriptionsoptimierten Dienst Voxtral Mini Transcribe getrennt.
Das Modell besitzt einen speziellen Transkriptionsmodus, der standardmäßig die Quellsprache automatisch vorhersagt und entsprechend transkribiert. Wähle diesen Modus, wenn das erforderliche Artefakt der gesprochene Wortlaut ist. Audioverständnis erlaubt dagegen eine direkte Frage oder Zusammenfassungsanfrage zu einer Aufnahme, ohne einen separaten Spracherkennungsschritt mit anschließendem Textmodell zu benötigen. Ein Interview kann somit ein vollständiges Transkript, eine Übersetzung oder eine Antwort auf eine eng umrissene Frage liefern; gib das benötigte Ergebnis vor, damit diese unterschiedlichen Aufgaben nicht zu einem mehrdeutigen Briefing werden.
Die genaue Veröffentlichungskarte nennt einen Kontext von 32K Tokens und Audio von bis zu 30 Minuten für Transkription oder 40 Minuten für Verständnis. Dies sind unterschiedliche aufgabenspezifische Dauerangaben und kein gemeinsames Audiobudget für jede Operation. Halte relevante Aufnahme, Anweisungen und Dialog innerhalb des vorgesehenen Aufgabenbereichs. Die vom Hersteller benannten Sprachen sind Englisch, Spanisch, Französisch, Portugiesisch, Hindi, Deutsch, Niederländisch und Italienisch mit automatischer Erkennung der Audiosprache. Unterscheide für eine Übersetzung oder Antwort die Aufnahmesprache von der erforderlichen Ausgabesprache.
Mehrere Audioeingaben in einer Nachricht und Audio über mehrere Nutzergesprächsschritte hinweg werden unterstützt. Gib jeder Aufnahme beim Anfordern von Vergleichen eine klare Kennung. Ein eigenständiges Beispiel könnte zwei gesprochene Erklärungen vergleichen und zurückgeben, welche Anforderungen sich geändert haben, mit einer separaten Spalte je Quelle. Eine Anschlussfrage kann das Detail hinter einem Befund anfordern oder eine weitere Aufnahme liefern. Die Modellkarte demonstriert auch reine Text- und reine Audionutzung, sodass das Modell sowohl die schriftliche Frage als auch die Sprachbelege bearbeiten kann.
Stelle für eine Besprechungszusammenfassung die Aufnahme bereit und fordere eine nützliche Struktur wie Themen, genannte Entscheidungen und Folgehandlungen an. Halte unsichere Namen, Daten oder Zuständigkeiten von klar ausgesprochenen Fakten getrennt. Fordere bei einem Interview die Aussage an, die eine konkrete Frage beantwortet, und genügend umgebenden Kontext, damit sie verständlich wird. Dies sind Aufgabenentwürfe für ein nutzbares Textartefakt; sie machen allgemeines Audioverständnis nicht zu einer Garantie für Diarisierung, Wortzeitstempel oder die Identifikation eines unbenannten Sprechers.
Der Hersteller beschreibt Funktionsaufrufe aus gesprochenen Absichten. In einem solchen Ablauf stellt die Anwendung Funktionsdefinitionen bereit, das Modell schlägt den relevanten Aufruf und Argumente vor, und die Anwendung führt ihn aus und gibt die Beobachtung zurück. Eine Sprachanfrage kann daher eine Abfrage oder eine andere werkzeuggestützte Aufgabe leiten; der vorgeschlagene Modellaufruf ist jedoch von einer ausgeführten Handlung getrennt. Bewahre bei der Dialogfortsetzung das tatsächlich zurückgegebene Ergebnis, damit eine spätere Antwort widerspiegelt, was geschehen ist, statt was angefordert wurde.
Die veröffentlichte Nutzungskarte empfiehlt temperature 0.0 für Transkription und temperature 0.2 mit top_p 0.95 für Audioverständnis und Chat. Sie hält fest, dass Systemprompts in diesem Ablauf nicht unterstützt werden; platziere Aufgabe und Antwortanforderungen daher in der Nutzereingabe. Ihre Beispiele dekodieren Aufnahmen zu Audioeingaben und enthalten MP3-Material, belegen aber weder eine vollständige Codec-Liste noch eine separate harte maximale Ausgabelänge. Die Generierungseinstellung mit 500 Tokens in den Beispielen bleibt ein Beispielbudget.
Bereite eine klare Aufnahme mit dem für die Aufgabe relevanten Material vor und gib an, ob du Originalwortlaut, eine Übersetzung, Antwort oder Zusammenfassung benötigst. Die Modellkarte demonstriert außerdem Stapelinferenz mit mehreren Dialogen, ein Nutzungsmuster des Herstellers, das von der Identität eines einzelnen Ergebnisses getrennt ist. Bewahre die Ausgabe 3B 2507 und ihre Dauerhinweise für Transkription gegenüber Verständnis; Diarisierung, das 13-Sprachen-Profil und die Unterstützung längerer Aufnahmen des späteren Modells Mini Transcribe 2 sind separate Herstellerfunktionen.
", "aboutText": "Voxtral Mini 1.0 3B 2507 ist das kompakte Text- und Audioverständnismodell von Mistral AI auf Basis der Sprachmodellfamilie Ministral 3B. Es verarbeitet Sprachaufnahmen und Textanweisungen und erzeugt Text, darunter Transkripte, Übersetzungen, Antworten zum Audio und strukturierte Zusammenfassungen. Die ursprüngliche Voxtral-Veröffentlichung positioniert dieses 3B-Modell für kompakte oder lokale Anwendungen neben dem separaten Modell Voxtral Small mit 24 Milliarden Parametern. Es ist außerdem vom gehosteten transkriptionsoptimierten Dienst Voxtral Mini Transcribe getrennt.\n\nDas Modell besitzt einen speziellen Transkriptionsmodus, der standardmäßig die Quellsprache automatisch vorhersagt und entsprechend transkribiert. Wähle diesen Modus, wenn das erforderliche Artefakt der gesprochene Wortlaut ist. Audioverständnis erlaubt dagegen eine direkte Frage oder Zusammenfassungsanfrage zu einer Aufnahme, ohne einen separaten Spracherkennungsschritt mit anschließendem Textmodell zu benötigen. Ein Interview kann somit ein vollständiges Transkript, eine Übersetzung oder eine Antwort auf eine eng umrissene Frage liefern; gib das benötigte Ergebnis vor, damit diese unterschiedlichen Aufgaben nicht zu einem mehrdeutigen Briefing werden.\n\nDie genaue Veröffentlichungskarte nennt einen Kontext von 32K Tokens und Audio von bis zu 30 Minuten für Transkription oder 40 Minuten für Verständnis. Dies sind unterschiedliche aufgabenspezifische Dauerangaben und kein gemeinsames Audiobudget für jede Operation. Halte relevante Aufnahme, Anweisungen und Dialog innerhalb des vorgesehenen Aufgabenbereichs. Die vom Hersteller benannten Sprachen sind Englisch, Spanisch, Französisch, Portugiesisch, Hindi, Deutsch, Niederländisch und Italienisch mit automatischer Erkennung der Audiosprache. Unterscheide für eine Übersetzung oder Antwort die Aufnahmesprache von der erforderlichen Ausgabesprache.\n\nMehrere Audioeingaben in einer Nachricht und Audio über mehrere Nutzergesprächsschritte hinweg werden unterstützt. Gib jeder Aufnahme beim Anfordern von Vergleichen eine klare Kennung. Ein eigenständiges Beispiel könnte zwei gesprochene Erklärungen vergleichen und zurückgeben, welche Anforderungen sich geändert haben, mit einer separaten Spalte je Quelle. Eine Anschlussfrage kann das Detail hinter einem Befund anfordern oder eine weitere Aufnahme liefern. Die Modellkarte demonstriert auch reine Text- und reine Audionutzung, sodass das Modell sowohl die schriftliche Frage als auch die Sprachbelege bearbeiten kann.\n\nStelle für eine Besprechungszusammenfassung die Aufnahme bereit und fordere eine nützliche Struktur wie Themen, genannte Entscheidungen und Folgehandlungen an. Halte unsichere Namen, Daten oder Zuständigkeiten von klar ausgesprochenen Fakten getrennt. Fordere bei einem Interview die Aussage an, die eine konkrete Frage beantwortet, und genügend umgebenden Kontext, damit sie verständlich wird. Dies sind Aufgabenentwürfe für ein nutzbares Textartefakt; sie machen allgemeines Audioverständnis nicht zu einer Garantie für Diarisierung, Wortzeitstempel oder die Identifikation eines unbenannten Sprechers.\n\nDer Hersteller beschreibt Funktionsaufrufe aus gesprochenen Absichten. In einem solchen Ablauf stellt die Anwendung Funktionsdefinitionen bereit, das Modell schlägt den relevanten Aufruf und Argumente vor, und die Anwendung führt ihn aus und gibt die Beobachtung zurück. Eine Sprachanfrage kann daher eine Abfrage oder eine andere werkzeuggestützte Aufgabe leiten; der vorgeschlagene Modellaufruf ist jedoch von einer ausgeführten Handlung getrennt. Bewahre bei der Dialogfortsetzung das tatsächlich zurückgegebene Ergebnis, damit eine spätere Antwort widerspiegelt, was geschehen ist, statt was angefordert wurde.\n\nDie veröffentlichte Nutzungskarte empfiehlt temperature 0.0 für Transkription und temperature 0.2 mit top_p 0.95 für Audioverständnis und Chat. Sie hält fest, dass Systemprompts in diesem Ablauf nicht unterstützt werden; platziere Aufgabe und Antwortanforderungen daher in der Nutzereingabe. Ihre Beispiele dekodieren Aufnahmen zu Audioeingaben und enthalten MP3-Material, belegen aber weder eine vollständige Codec-Liste noch eine separate harte maximale Ausgabelänge. Die Generierungseinstellung mit 500 Tokens in den Beispielen bleibt ein Beispielbudget.\n\nBereite eine klare Aufnahme mit dem für die Aufgabe relevanten Material vor und gib an, ob du Originalwortlaut, eine Übersetzung, Antwort oder Zusammenfassung benötigst. Die Modellkarte demonstriert außerdem Stapelinferenz mit mehreren Dialogen, ein Nutzungsmuster des Herstellers, das von der Identität eines einzelnen Ergebnisses getrennt ist. Bewahre die Ausgabe 3B 2507 und ihre Dauerhinweise für Transkription gegenüber Verständnis; Diarisierung, das 13-Sprachen-Profil und die Unterstützung längerer Aufnahmen des späteren Modells Mini Transcribe 2 sind separate Herstellerfunktionen.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "932c7a49d1b5174319cc2915fbde4a789a768017ef32a4b0fc82f0f8d16dc817", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de", "methods": [ { "html": "mistralai/voxtral-mini-3b-2507Voxtral Mini 1.0 3B 2507 verbindet Audioverständnis mit einem kompakten Textmodell für Transkription, Sprachübersetzung, Fragen und Zusammenfassungen. Der Hersteller dokumentiert einen Kontext von 32K, bis zu 30 Minuten Transkription oder 40 Minuten Audioverständnis und Textausgabe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Voxtral Mini 1.0 3B 2507 ist das kompakte Text- und Audioverständnismodell von Mistral AI auf Basis der Sprachmodellfamilie Ministral 3B. Es verarbeitet Sprachaufnahmen und Textanweisungen und erzeugt Text, darunter Transkripte, Übersetzungen, Antworten zum Audio und strukturierte Zusammenfassungen. Die ursprüngliche Voxtral-Veröffentlichung positioniert dieses 3B-Modell für kompakte oder lokale Anwendungen neben dem separaten Modell Voxtral Small mit 24 Milliarden Parametern. Es ist außerdem vom gehosteten transkriptionsoptimierten Dienst Voxtral Mini Transcribe getrennt.
Das Modell besitzt einen speziellen Transkriptionsmodus, der standardmäßig die Quellsprache automatisch vorhersagt und entsprechend transkribiert. Wähle diesen Modus, wenn das erforderliche Artefakt der gesprochene Wortlaut ist. Audioverständnis erlaubt dagegen eine direkte Frage oder Zusammenfassungsanfrage zu einer Aufnahme, ohne einen separaten Spracherkennungsschritt mit anschließendem Textmodell zu benötigen. Ein Interview kann somit ein vollständiges Transkript, eine Übersetzung oder eine Antwort auf eine eng umrissene Frage liefern; gib das benötigte Ergebnis vor, damit diese unterschiedlichen Aufgaben nicht zu einem mehrdeutigen Briefing werden.
Die genaue Veröffentlichungskarte nennt einen Kontext von 32K Tokens und Audio von bis zu 30 Minuten für Transkription oder 40 Minuten für Verständnis. Dies sind unterschiedliche aufgabenspezifische Dauerangaben und kein gemeinsames Audiobudget für jede Operation. Halte relevante Aufnahme, Anweisungen und Dialog innerhalb des vorgesehenen Aufgabenbereichs. Die vom Hersteller benannten Sprachen sind Englisch, Spanisch, Französisch, Portugiesisch, Hindi, Deutsch, Niederländisch und Italienisch mit automatischer Erkennung der Audiosprache. Unterscheide für eine Übersetzung oder Antwort die Aufnahmesprache von der erforderlichen Ausgabesprache.
Mehrere Audioeingaben in einer Nachricht und Audio über mehrere Nutzergesprächsschritte hinweg werden unterstützt. Gib jeder Aufnahme beim Anfordern von Vergleichen eine klare Kennung. Ein eigenständiges Beispiel könnte zwei gesprochene Erklärungen vergleichen und zurückgeben, welche Anforderungen sich geändert haben, mit einer separaten Spalte je Quelle. Eine Anschlussfrage kann das Detail hinter einem Befund anfordern oder eine weitere Aufnahme liefern. Die Modellkarte demonstriert auch reine Text- und reine Audionutzung, sodass das Modell sowohl die schriftliche Frage als auch die Sprachbelege bearbeiten kann.
Stelle für eine Besprechungszusammenfassung die Aufnahme bereit und fordere eine nützliche Struktur wie Themen, genannte Entscheidungen und Folgehandlungen an. Halte unsichere Namen, Daten oder Zuständigkeiten von klar ausgesprochenen Fakten getrennt. Fordere bei einem Interview die Aussage an, die eine konkrete Frage beantwortet, und genügend umgebenden Kontext, damit sie verständlich wird. Dies sind Aufgabenentwürfe für ein nutzbares Textartefakt; sie machen allgemeines Audioverständnis nicht zu einer Garantie für Diarisierung, Wortzeitstempel oder die Identifikation eines unbenannten Sprechers.
Der Hersteller beschreibt Funktionsaufrufe aus gesprochenen Absichten. In einem solchen Ablauf stellt die Anwendung Funktionsdefinitionen bereit, das Modell schlägt den relevanten Aufruf und Argumente vor, und die Anwendung führt ihn aus und gibt die Beobachtung zurück. Eine Sprachanfrage kann daher eine Abfrage oder eine andere werkzeuggestützte Aufgabe leiten; der vorgeschlagene Modellaufruf ist jedoch von einer ausgeführten Handlung getrennt. Bewahre bei der Dialogfortsetzung das tatsächlich zurückgegebene Ergebnis, damit eine spätere Antwort widerspiegelt, was geschehen ist, statt was angefordert wurde.
Die veröffentlichte Nutzungskarte empfiehlt temperature 0.0 für Transkription und temperature 0.2 mit top_p 0.95 für Audioverständnis und Chat. Sie hält fest, dass Systemprompts in diesem Ablauf nicht unterstützt werden; platziere Aufgabe und Antwortanforderungen daher in der Nutzereingabe. Ihre Beispiele dekodieren Aufnahmen zu Audioeingaben und enthalten MP3-Material, belegen aber weder eine vollständige Codec-Liste noch eine separate harte maximale Ausgabelänge. Die Generierungseinstellung mit 500 Tokens in den Beispielen bleibt ein Beispielbudget.
Bereite eine klare Aufnahme mit dem für die Aufgabe relevanten Material vor und gib an, ob du Originalwortlaut, eine Übersetzung, Antwort oder Zusammenfassung benötigst. Die Modellkarte demonstriert außerdem Stapelinferenz mit mehreren Dialogen, ein Nutzungsmuster des Herstellers, das von der Identität eines einzelnen Ergebnisses getrennt ist. Bewahre die Ausgabe 3B 2507 und ihre Dauerhinweise für Transkription gegenüber Verständnis; Diarisierung, das 13-Sprachen-Profil und die Unterstützung längerer Aufnahmen des späteren Modells Mini Transcribe 2 sind separate Herstellerfunktionen.
POST /v1/audio/transcriptionsaudiotext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/voxtral-mini-3b-2507 | Standard— |
Feldinput_audio | Typobject | AnforderungErforderlich | Werte und Limits | Standard— |
Feldlanguage | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Minimum: 0 Maximum: 1 | Standard— |
Feldresponse_format | Typstring | AnforderungOptional | Werte und Limits json, verbose_json | Standardjson |
Feldtimestamp_granularities | Typarray | AnforderungOptional | Werte und Limits | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits | Standard— |
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, input_audio |
Parametermaterial_types | Vertragaudio |
Parametermaterial_conditions | VertragLesen Sie eine tatsächliche WAV-Datei ein und kodieren Sie ihre echten Bytes für das deklarierte JSON-Feld input_audio; für diese konkrete Deklaration ausschließlich mit JSON wird keine multipart-Route angeboten. |
Lebenszyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · die tatsächlich zurückgegebene task_id oder ein Eintrag in der Medienbibliothek
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Die angezeigten Tarife dienen zur Kostenschätzung vor der Generierung. Der endgültige Betrag wird aus den für die ursprüngliche Generierung erfassten Kosten berechnet. Die gemessene Ausgabedauer und prognostizierte Mengen sind nicht die endgültige abrechenbare Menge.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Prognostizierte Menge | Abrechnungseinheit | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Prognostizierte Menge— | Abrechnungseinheit— | Gebühr Eingabe · Eingabetoken · Schätzung nur zum Vergleich — / 1K Token Ausgabe · Ausgabetoken · Schätzung nur zum Vergleich — / 1K Token Eingabe · Cache-Lesen · Schätzung nur zum Vergleich — / 1K Token Eingabe · Cache-Schreiben · Schätzung nur zum Vergleich — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde · Schätzung nur zum Vergleich — / 1K Token |
| KonfigurationAudioeingabesekunde | Tarifstaffel— | Prognostizierte Menge— | Abrechnungseinheitpro Sekunde Eingabeaudio | Gebühr Eingabe · Audioeingabesekunde · Schätzung nur zum Vergleich $0.0000333334 pro Sekunde Eingabeaudio |
| KonfigurationGeschätzte Generierungskosten | Tarifstaffel— | Prognostizierte MengeSchätzung für eine Generierung | Abrechnungseinheit— | Gebühr Ausgabe · Geschätzte Generierungskosten · Schätzung nur zum Vergleich $0.0000333334 Schätzung vor der Generierung Diese Schätzung ist weder eine zusätzliche Gebühr noch ein fester Tarif für die abgeschlossene Generierung. |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'mistralai/voxtral-mini-3b-2507', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}\nrequest['input_audio']['data']=base64.b64encode(audio).decode('ascii')\nPath('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Keep the complete original response and headers. Read every returned segment, word and usage field.\n# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.\nGET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o owned-assets.json\n# Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token.\nBewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Die vollständige Antwort und ihre Header, jede tatsächliche Ausgabe, die ursprünglich zurückgegebenen Kennungen und alle Nutzungsfelder aufbewahren. Den ursprünglichen Vorgang wiederaufnehmen, ohne die Erstellung erneut anzufordern.
Die zurückgegebene X-Client-Request-ID zum Abgleich aufbewahren. Nur tatsächlich zurückgegebene task_id-/asset_id-Werte oder die eigene Medienbibliothek abfragen; niemals eine Aufgaben-URL aus der Vorgangs-ID bilden und die Erstellung niemals erneut anfordern.
| Feld | Typ |
|---|---|
Feldtext | Typ |
Feldusage | Typ |
Feldsegments[] | Typ |
Feldwords[] | Typ |
Feldspeaker fields | Typ |
Feldtimestamps | Typ |
Ailoot Ultra mistralai/voxtral-mini-3b-2507
Verwenden Sie die oben angezeigten Methodenpfade.