Voxtral Small 1.0 24B 2507 agrega entrada de audio y comprensión del habla a una base de modelo de lenguaje Mistral Small. Acepta audio y texto y devuelve texto, incluida una transcripción, una respuesta sobre la grabación, una traducción o un resumen estructurado. Es la edición identificada de comprensión del habla de 24B, distinta de Voxtral Mini, las variantes de servicio optimizadas para transcripción y las versiones posteriores Voxtral de generación de voz o tiempo real.
Transcripción y comprensión de audio
El modelo tiene un modo dedicado de transcripción pura. Su desarrollador indica que, de forma predeterminada, predice automáticamente el idioma del audio fuente y transcribe según ese idioma. Usa este modo cuando el artefacto deseado sea la redacción hablada en sí, no una interpretación o resumen. Identifica si el resultado debe conservar el idioma original o ir seguido de una traducción solicitada por separado.
La comprensión de audio permite hacer una pregunta directamente sobre una grabación, sin encadenar primero un modelo separado de reconocimiento del habla y uno de texto. Una solicitud puede preguntar qué tema se discutió, qué decisión se expresó o qué información de la grabación responde una pregunta específica. El resultado puede ser una respuesta concisa o un resumen organizado, en lugar de una transcripción completa de cada palabra hablada.
Para un resumen de reunión, proporciona la grabación y define los campos que debe devolver: temas, decisiones expresadas explícitamente y acciones de seguimiento. Solicita nombres o fechas solo cuando la grabación realmente los indique, y mantén los detalles sin resolver separados de las decisiones. Para una entrevista, solicita la respuesta a una pregunta particular y el contexto circundante que la hace comprensible. Estos diseños de salida conectan la tarea de audio con un documento que alguien pueda usar después.
Contexto, duración e idiomas
Su desarrollador documenta un contexto de 32k tokens y audio de hasta 30 minutos para transcripción o 40 minutos para comprensión. Las dos cifras de duración tienen alcances de tarea distintos. Elige la operación deseada antes de seleccionar la grabación e incluye la instrucción de texto y la conversación al planear el contexto disponible. Una grabación larga y una respuesta escrita larga consumen recursos; la declaración de duración no es una promesa separada de longitud ilimitada de respuesta.
La versión identifica inglés, español, francés, portugués, hindi, alemán, neerlandés e italiano entre sus principales idiomas compatibles y proporciona detección automática del idioma. Para traducción del habla, define el idioma final y los términos que deban conservar su forma original. Para una pregunta sobre audio en un idioma, distingue el idioma de la grabación del idioma en el que se debe escribir la respuesta.
Varias grabaciones y preguntas posteriores
La ficha admite varias entradas de audio en un mensaje y audio en varios turnos del usuario. Asigna un identificador a cada grabación e indica su función al compararlas. Una solicitud práctica podría comparar dos versiones de una explicación hablada, preguntar qué condiciones cambiaron y devolver una tabla con una columna separada para cada grabación. Los identificadores ayudan a mantener los hallazgos del modelo asociados con la fuente correcta.
Una pregunta posterior puede conservar la pregunta y respuesta previas y pedir un detalle más específico o proporcionar otra grabación. Por ejemplo, primero solicita las decisiones de una discusión y después pregunta qué decisión se relaciona con un requisito particular. La misma versión también demuestra solicitudes de solo texto y solo audio. Su base de texto puede trabajar con la pregunta escrita o el resultado, mientras que la capacidad de audio aporta evidencia del habla.
Funciones guiadas por voz
Su desarrollador describe llamadas a funciones a partir de la intención hablada y etiqueta el ejemplo de llamadas a funciones de la ficha publicada como soporte experimental. En este flujo, la aplicación define una función y sus argumentos, el modelo prepara una llamada a partir de la solicitud y la aplicación la ejecuta y aporta el resultado. Por ello, una consulta por voz puede devolver una respuesta escrita usando información de una herramienta conectada. Las llamadas a funciones no significan que el modelo sea propietario automático del servicio externo ni que realice una acción por el simple hecho de nombrarla.
Mantén explícitos el propósito de la función y la información requerida. Si la grabación pide una operación pero omite un valor requerido, la aplicación sigue necesitando ese valor para ejecutar la función. Separa la solicitud hablada, los argumentos propuestos y el resultado devuelto para que la siguiente respuesta pueda referirse al resultado real de la operación.
Ajustes recomendados y límites útiles
Para comprensión de audio y completado de chat, la ficha recomienda una temperatura de 0.2 y top-p de 0.95. Para transcripción, recomienda una temperatura de 0.0. Indica explícitamente que los prompts de sistema no son compatibles con este flujo de uso publicado, por lo que debes colocar la tarea y los requisitos de respuesta en la entrada del usuario en lugar de trasladar una convención de prompts de sistema de otro modelo Mistral.
Selecciona una grabación que contenga el material relevante para la pregunta, mantén clara el habla audible y especifica si el resultado debe ser una transcripción, traducción, respuesta o resumen. La salida documentada es texto. Una respuesta hablada necesita un componente de texto a voz, y no deben inferirse identificación de hablantes, diarización detallada ni marcas de tiempo por palabra a partir de la afirmación general de comprensión de audio para esta versión exacta.
Los ejemplos de generación de 500 tokens de la ficha son ajustes ilustrativos, no una capacidad máxima de salida declarada por separado. Conserva la edición 2507, las recomendaciones de duración específicas de la tarea y el idioma de entrada al preparar un flujo repetible. El artefacto final útil es el texto solicitado, conectado con la grabación y con formato para el siguiente paso documental o de aplicación.
", "aboutText": "Voxtral Small 1.0 24B 2507 agrega entrada de audio y comprensión del habla a una base de modelo de lenguaje Mistral Small. Acepta audio y texto y devuelve texto, incluida una transcripción, una respuesta sobre la grabación, una traducción o un resumen estructurado. Es la edición identificada de comprensión del habla de 24B, distinta de Voxtral Mini, las variantes de servicio optimizadas para transcripción y las versiones posteriores Voxtral de generación de voz o tiempo real.\n\nTranscripción y comprensión de audio\n\nEl modelo tiene un modo dedicado de transcripción pura. Su desarrollador indica que, de forma predeterminada, predice automáticamente el idioma del audio fuente y transcribe según ese idioma. Usa este modo cuando el artefacto deseado sea la redacción hablada en sí, no una interpretación o resumen. Identifica si el resultado debe conservar el idioma original o ir seguido de una traducción solicitada por separado.\n\nLa comprensión de audio permite hacer una pregunta directamente sobre una grabación, sin encadenar primero un modelo separado de reconocimiento del habla y uno de texto. Una solicitud puede preguntar qué tema se discutió, qué decisión se expresó o qué información de la grabación responde una pregunta específica. El resultado puede ser una respuesta concisa o un resumen organizado, en lugar de una transcripción completa de cada palabra hablada.\n\nPara un resumen de reunión, proporciona la grabación y define los campos que debe devolver: temas, decisiones expresadas explícitamente y acciones de seguimiento. Solicita nombres o fechas solo cuando la grabación realmente los indique, y mantén los detalles sin resolver separados de las decisiones. Para una entrevista, solicita la respuesta a una pregunta particular y el contexto circundante que la hace comprensible. Estos diseños de salida conectan la tarea de audio con un documento que alguien pueda usar después.\n\nContexto, duración e idiomas\n\nSu desarrollador documenta un contexto de 32k tokens y audio de hasta 30 minutos para transcripción o 40 minutos para comprensión. Las dos cifras de duración tienen alcances de tarea distintos. Elige la operación deseada antes de seleccionar la grabación e incluye la instrucción de texto y la conversación al planear el contexto disponible. Una grabación larga y una respuesta escrita larga consumen recursos; la declaración de duración no es una promesa separada de longitud ilimitada de respuesta.\n\nLa versión identifica inglés, español, francés, portugués, hindi, alemán, neerlandés e italiano entre sus principales idiomas compatibles y proporciona detección automática del idioma. Para traducción del habla, define el idioma final y los términos que deban conservar su forma original. Para una pregunta sobre audio en un idioma, distingue el idioma de la grabación del idioma en el que se debe escribir la respuesta.\n\nVarias grabaciones y preguntas posteriores\n\nLa ficha admite varias entradas de audio en un mensaje y audio en varios turnos del usuario. Asigna un identificador a cada grabación e indica su función al compararlas. Una solicitud práctica podría comparar dos versiones de una explicación hablada, preguntar qué condiciones cambiaron y devolver una tabla con una columna separada para cada grabación. Los identificadores ayudan a mantener los hallazgos del modelo asociados con la fuente correcta.\n\nUna pregunta posterior puede conservar la pregunta y respuesta previas y pedir un detalle más específico o proporcionar otra grabación. Por ejemplo, primero solicita las decisiones de una discusión y después pregunta qué decisión se relaciona con un requisito particular. La misma versión también demuestra solicitudes de solo texto y solo audio. Su base de texto puede trabajar con la pregunta escrita o el resultado, mientras que la capacidad de audio aporta evidencia del habla.\n\nFunciones guiadas por voz\n\nSu desarrollador describe llamadas a funciones a partir de la intención hablada y etiqueta el ejemplo de llamadas a funciones de la ficha publicada como soporte experimental. En este flujo, la aplicación define una función y sus argumentos, el modelo prepara una llamada a partir de la solicitud y la aplicación la ejecuta y aporta el resultado. Por ello, una consulta por voz puede devolver una respuesta escrita usando información de una herramienta conectada. Las llamadas a funciones no significan que el modelo sea propietario automático del servicio externo ni que realice una acción por el simple hecho de nombrarla.\n\nMantén explícitos el propósito de la función y la información requerida. Si la grabación pide una operación pero omite un valor requerido, la aplicación sigue necesitando ese valor para ejecutar la función. Separa la solicitud hablada, los argumentos propuestos y el resultado devuelto para que la siguiente respuesta pueda referirse al resultado real de la operación.\n\nAjustes recomendados y límites útiles\n\nPara comprensión de audio y completado de chat, la ficha recomienda una temperatura de 0.2 y top-p de 0.95. Para transcripción, recomienda una temperatura de 0.0. Indica explícitamente que los prompts de sistema no son compatibles con este flujo de uso publicado, por lo que debes colocar la tarea y los requisitos de respuesta en la entrada del usuario en lugar de trasladar una convención de prompts de sistema de otro modelo Mistral.\n\nSelecciona una grabación que contenga el material relevante para la pregunta, mantén clara el habla audible y especifica si el resultado debe ser una transcripción, traducción, respuesta o resumen. La salida documentada es texto. Una respuesta hablada necesita un componente de texto a voz, y no deben inferirse identificación de hablantes, diarización detallada ni marcas de tiempo por palabra a partir de la afirmación general de comprensión de audio para esta versión exacta.\n\nLos ejemplos de generación de 500 tokens de la ficha son ajustes ilustrativos, no una capacidad máxima de salida declarada por separado. Conserva la edición 2507, las recomendaciones de duración específicas de la tarea y el idioma de entrada al preparar un flujo repetible. El artefacto final útil es el texto solicitado, conectado con la grabación y con formato para el siguiente paso documental o de aplicación.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "d4b75a1df5ea7653b870cb99352066b9281adeda71b8b6a9f7cec89726dd9c9b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es-mx", "methods": [ { "html": "mistralai/voxtral-small-24b-2507-sttVoxtral Small 1.0 24B 2507 es un modelo de texto y audio para transcripción, traducción del habla, preguntas y resúmenes. Su desarrollador documenta un contexto de 32k, hasta 30 minutos para transcripción o 40 minutos para comprensión, varias entradas de audio y resultados de texto.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Voxtral Small 1.0 24B 2507 agrega entrada de audio y comprensión del habla a una base de modelo de lenguaje Mistral Small. Acepta audio y texto y devuelve texto, incluida una transcripción, una respuesta sobre la grabación, una traducción o un resumen estructurado. Es la edición identificada de comprensión del habla de 24B, distinta de Voxtral Mini, las variantes de servicio optimizadas para transcripción y las versiones posteriores Voxtral de generación de voz o tiempo real.
Transcripción y comprensión de audio
El modelo tiene un modo dedicado de transcripción pura. Su desarrollador indica que, de forma predeterminada, predice automáticamente el idioma del audio fuente y transcribe según ese idioma. Usa este modo cuando el artefacto deseado sea la redacción hablada en sí, no una interpretación o resumen. Identifica si el resultado debe conservar el idioma original o ir seguido de una traducción solicitada por separado.
La comprensión de audio permite hacer una pregunta directamente sobre una grabación, sin encadenar primero un modelo separado de reconocimiento del habla y uno de texto. Una solicitud puede preguntar qué tema se discutió, qué decisión se expresó o qué información de la grabación responde una pregunta específica. El resultado puede ser una respuesta concisa o un resumen organizado, en lugar de una transcripción completa de cada palabra hablada.
Para un resumen de reunión, proporciona la grabación y define los campos que debe devolver: temas, decisiones expresadas explícitamente y acciones de seguimiento. Solicita nombres o fechas solo cuando la grabación realmente los indique, y mantén los detalles sin resolver separados de las decisiones. Para una entrevista, solicita la respuesta a una pregunta particular y el contexto circundante que la hace comprensible. Estos diseños de salida conectan la tarea de audio con un documento que alguien pueda usar después.
Contexto, duración e idiomas
Su desarrollador documenta un contexto de 32k tokens y audio de hasta 30 minutos para transcripción o 40 minutos para comprensión. Las dos cifras de duración tienen alcances de tarea distintos. Elige la operación deseada antes de seleccionar la grabación e incluye la instrucción de texto y la conversación al planear el contexto disponible. Una grabación larga y una respuesta escrita larga consumen recursos; la declaración de duración no es una promesa separada de longitud ilimitada de respuesta.
La versión identifica inglés, español, francés, portugués, hindi, alemán, neerlandés e italiano entre sus principales idiomas compatibles y proporciona detección automática del idioma. Para traducción del habla, define el idioma final y los términos que deban conservar su forma original. Para una pregunta sobre audio en un idioma, distingue el idioma de la grabación del idioma en el que se debe escribir la respuesta.
Varias grabaciones y preguntas posteriores
La ficha admite varias entradas de audio en un mensaje y audio en varios turnos del usuario. Asigna un identificador a cada grabación e indica su función al compararlas. Una solicitud práctica podría comparar dos versiones de una explicación hablada, preguntar qué condiciones cambiaron y devolver una tabla con una columna separada para cada grabación. Los identificadores ayudan a mantener los hallazgos del modelo asociados con la fuente correcta.
Una pregunta posterior puede conservar la pregunta y respuesta previas y pedir un detalle más específico o proporcionar otra grabación. Por ejemplo, primero solicita las decisiones de una discusión y después pregunta qué decisión se relaciona con un requisito particular. La misma versión también demuestra solicitudes de solo texto y solo audio. Su base de texto puede trabajar con la pregunta escrita o el resultado, mientras que la capacidad de audio aporta evidencia del habla.
Funciones guiadas por voz
Su desarrollador describe llamadas a funciones a partir de la intención hablada y etiqueta el ejemplo de llamadas a funciones de la ficha publicada como soporte experimental. En este flujo, la aplicación define una función y sus argumentos, el modelo prepara una llamada a partir de la solicitud y la aplicación la ejecuta y aporta el resultado. Por ello, una consulta por voz puede devolver una respuesta escrita usando información de una herramienta conectada. Las llamadas a funciones no significan que el modelo sea propietario automático del servicio externo ni que realice una acción por el simple hecho de nombrarla.
Mantén explícitos el propósito de la función y la información requerida. Si la grabación pide una operación pero omite un valor requerido, la aplicación sigue necesitando ese valor para ejecutar la función. Separa la solicitud hablada, los argumentos propuestos y el resultado devuelto para que la siguiente respuesta pueda referirse al resultado real de la operación.
Ajustes recomendados y límites útiles
Para comprensión de audio y completado de chat, la ficha recomienda una temperatura de 0.2 y top-p de 0.95. Para transcripción, recomienda una temperatura de 0.0. Indica explícitamente que los prompts de sistema no son compatibles con este flujo de uso publicado, por lo que debes colocar la tarea y los requisitos de respuesta en la entrada del usuario en lugar de trasladar una convención de prompts de sistema de otro modelo Mistral.
Selecciona una grabación que contenga el material relevante para la pregunta, mantén clara el habla audible y especifica si el resultado debe ser una transcripción, traducción, respuesta o resumen. La salida documentada es texto. Una respuesta hablada necesita un componente de texto a voz, y no deben inferirse identificación de hablantes, diarización detallada ni marcas de tiempo por palabra a partir de la afirmación general de comprensión de audio para esta versión exacta.
Los ejemplos de generación de 500 tokens de la ficha son ajustes ilustrativos, no una capacidad máxima de salida declarada por separado. Conserva la edición 2507, las recomendaciones de duración específicas de la tarea y el idioma de entrada al preparar un flujo repetible. El artefacto final útil es el texto solicitado, conectado con la grabación y con formato para el siguiente paso documental o de aplicación.
POST /v1/audio/transcriptionsaudiotext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites mistralai/voxtral-small-24b-2507-stt | Predeterminado— |
Campoinput_audio | Tipoobject | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campolanguage | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Mínimo: 0 Máximo: 1 | Predeterminado— |
Camporesponse_format | Tipostring | RequisitoOpcional | Valores y límites json, verbose_json | Predeterminadojson |
Campotimestamp_granularities | Tipoarray | RequisitoOpcional | Valores y límites | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites | Predeterminado— |
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, input_audio |
Parámetromaterial_types | Contratoaudio |
Parámetromaterial_conditions | ContratoLee un archivo WAV real y codifica sus bytes reales para el input_audio JSON declarado; no se anuncia una ruta multipart para esta declaración exacta que solo acepta JSON. |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · El task_id real devuelto o el registro de la biblioteca multimedia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Las tarifas mostradas permiten estimar el costo antes de la generación. El cargo final se calcula a partir del costo registrado para la generación original. La duración medida de la salida y las cantidades estimadas no son la cantidad facturable final.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Cantidad prevista | Unidad de facturación | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cantidad prevista— | Unidad de facturación— | Cargo Entrada · Tokens de entrada · Estimación solo para comparar — / 1K tokens Salida · Tokens de salida · Estimación solo para comparar — / 1K tokens Entrada · Lectura de caché · Estimación solo para comparar — / 1K tokens Entrada · Escritura en caché · Estimación solo para comparar — / 1K tokens Entrada · Escritura en caché, 1 hora · Estimación solo para comparar — / 1K tokens |
| Configuraciónsegundo de audio de entrada | Tabla de tarifas— | Cantidad prevista— | Unidad de facturaciónpor segundo de audio de entrada | Cargo Entrada · segundo de audio de entrada · Estimación solo para comparar $0.0001 por segundo de audio de entrada |
| ConfiguraciónCosto estimado de generación | Tabla de tarifas— | Cantidad previstaestimación para una generación | Unidad de facturación— | Cargo Salida · Costo estimado de generación · Estimación solo para comparar $0.0001 estimación previa a la generación Esta estimación no es un cargo adicional ni una tarifa fija por la generación completada. |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'mistralai/voxtral-small-24b-2507-stt', 'input_audio': {'data': '${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.\nConserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva la respuesta completa y los encabezados, todas las salidas reales, los identificadores originales devueltos y todos los campos de uso. Recupera la operación original sin volver a enviar la solicitud de creación.
Conserva el X-Client-Request-ID devuelto para la conciliación. Consulta únicamente los valores reales de task_id/asset_id devueltos o la biblioteca multimedia de tu propiedad; nunca construyas una URL de tarea a partir del ID de la operación ni vuelvas a enviar la solicitud de creación.
| Campo | Tipo |
|---|---|
Campotext | Tipo |
Campousage | Tipo |
Camposegments[] | Tipo |
Campowords[] | Tipo |
Campospeaker fields | Tipo |
Campotimestamps | Tipo |
Ailoot Ultra mistralai/voxtral-small-24b-2507-stt
Usa las rutas de método indicadas arriba.