Voxtral Small 1.0 24B 2507 añade entrada de audio y comprensión del habla a una base de modelo lingüístico Mistral Small. Acepta audio y texto y devuelve texto, incluidos una transcripción, una respuesta sobre la grabación, una traducción o un resumen estructurado. Esta es la edición nombrada de comprensión del habla de 24 mil millones de parámetros, distinta de Voxtral Mini, las variantes de servicio optimizadas para transcripción y las versiones posteriores de Voxtral de generación de voz o tiempo real.
Transcripción y comprensión de audio
El modelo tiene un modo específico de transcripción pura. El fabricante indica que, por defecto, predice automáticamente el idioma del audio de origen y transcribe en consecuencia. Utiliza este modo cuando el entregable deseado sean las palabras pronunciadas, no una interpretación o un 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 independiente de reconocimiento de voz y otro de texto. Una solicitud puede preguntar qué tema se discutió, qué decisión se expresó o qué información de la grabación responde a una pregunta concreta. El resultado puede ser una respuesta concisa o un resumen organizado, en lugar de una transcripción completa de cada palabra pronunciada.
Para resumir una reunión, proporciona la grabación y define los campos que devolver: temas, decisiones expresadas explícitamente y acciones de seguimiento. Solicita nombres o fechas únicamente cuando la grabación los indique realmente, y mantén los detalles pendientes separados de las decisiones. Para una entrevista, pide la respuesta a una pregunta concreta y el contexto circundante que la hace comprensible. Estos diseños de salida conectan la tarea de audio con un documento que alguien puede utilizar después.
Contexto, duración e idiomas
El fabricante 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 diferentes. Elige la operación deseada antes de seleccionar la grabación e incluye la instrucción textual y la conversación al planificar el contexto disponible. Una grabación larga y una respuesta escrita larga consumen recursos; la indicación de duración no es una promesa independiente de longitud de respuesta ilimitada.
La versión identifica inglés, español, francés, portugués, hindi, alemán, neerlandés e italiano entre sus principales idiomas compatibles y proporciona detección automática del idioma. Para traducir el habla, establece el idioma final y los términos que deben conservar su forma original. Para una pregunta sobre audio en un idioma, distingue el idioma de la grabación del idioma en que se debe escribir la respuesta.
Varias grabaciones y preguntas de seguimiento
La ficha admite varias entradas de audio en un mensaje y audio en varios turnos del usuario. Asigna a cada grabación un identificador e indica su función al compararlas. Una solicitud práctica puede comparar dos versiones de una explicación oral, 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 a la fuente correcta.
Un seguimiento puede conservar la pregunta y respuesta anteriores mientras pide un detalle más específico o proporciona otra grabación. Por ejemplo, primero pide las decisiones de una discusión y después pregunta qué decisión se relaciona con un requisito concreto. La misma versión también demuestra solicitudes exclusivamente textuales y exclusivamente de audio. Su base textual puede trabajar sobre la pregunta o el resultado escritos, mientras que la capacidad de audio aporta pruebas procedentes del habla.
Funciones guiadas por voz
El fabricante describe llamadas a funciones a partir de la intención expresada oralmente y etiqueta el ejemplo de llamadas a funciones de la ficha publicada como compatibilidad 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 proporciona el resultado. Por tanto, una consulta por voz puede devolver una respuesta escrita utilizando información de una herramienta conectada. Las llamadas a funciones no significan que el modelo posea automáticamente el servicio externo ni realice una acción por el mero hecho de nombrarla.
Mantén explícitos la finalidad 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 oral, 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 compleción de chat, la ficha recomienda temperature 0.2 y top-p 0.95. Para transcripción, recomienda temperature 0.0. Indica explícitamente que los prompts del sistema no se admiten en 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 la convención de prompts del sistema de otro modelo Mistral.
Selecciona una grabación que contenga el material pertinente para la pregunta, mantén el habla audible con claridad 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 de esta versión concreta.
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 indicaciones de duración específicas de la tarea y el idioma de entrada al preparar un flujo repetible. El entregable final útil es el texto solicitado, conectado con la grabación y formateado para el siguiente paso documental o de la aplicación.
", "aboutText": "Voxtral Small 1.0 24B 2507 añade entrada de audio y comprensión del habla a una base de modelo lingüístico Mistral Small. Acepta audio y texto y devuelve texto, incluidos una transcripción, una respuesta sobre la grabación, una traducción o un resumen estructurado. Esta es la edición nombrada de comprensión del habla de 24 mil millones de parámetros, distinta de Voxtral Mini, las variantes de servicio optimizadas para transcripción y las versiones posteriores de Voxtral de generación de voz o tiempo real.\n\nTranscripción y comprensión de audio\n\nEl modelo tiene un modo específico de transcripción pura. El fabricante indica que, por defecto, predice automáticamente el idioma del audio de origen y transcribe en consecuencia. Utiliza este modo cuando el entregable deseado sean las palabras pronunciadas, no una interpretación o un 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 independiente de reconocimiento de voz y otro de texto. Una solicitud puede preguntar qué tema se discutió, qué decisión se expresó o qué información de la grabación responde a una pregunta concreta. El resultado puede ser una respuesta concisa o un resumen organizado, en lugar de una transcripción completa de cada palabra pronunciada.\n\nPara resumir una reunión, proporciona la grabación y define los campos que devolver: temas, decisiones expresadas explícitamente y acciones de seguimiento. Solicita nombres o fechas únicamente cuando la grabación los indique realmente, y mantén los detalles pendientes separados de las decisiones. Para una entrevista, pide la respuesta a una pregunta concreta y el contexto circundante que la hace comprensible. Estos diseños de salida conectan la tarea de audio con un documento que alguien puede utilizar después.\n\nContexto, duración e idiomas\n\nEl fabricante 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 diferentes. Elige la operación deseada antes de seleccionar la grabación e incluye la instrucción textual y la conversación al planificar el contexto disponible. Una grabación larga y una respuesta escrita larga consumen recursos; la indicación de duración no es una promesa independiente de longitud de respuesta ilimitada.\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 traducir el habla, establece el idioma final y los términos que deben conservar su forma original. Para una pregunta sobre audio en un idioma, distingue el idioma de la grabación del idioma en que se debe escribir la respuesta.\n\nVarias grabaciones y preguntas de seguimiento\n\nLa ficha admite varias entradas de audio en un mensaje y audio en varios turnos del usuario. Asigna a cada grabación un identificador e indica su función al compararlas. Una solicitud práctica puede comparar dos versiones de una explicación oral, 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 a la fuente correcta.\n\nUn seguimiento puede conservar la pregunta y respuesta anteriores mientras pide un detalle más específico o proporciona otra grabación. Por ejemplo, primero pide las decisiones de una discusión y después pregunta qué decisión se relaciona con un requisito concreto. La misma versión también demuestra solicitudes exclusivamente textuales y exclusivamente de audio. Su base textual puede trabajar sobre la pregunta o el resultado escritos, mientras que la capacidad de audio aporta pruebas procedentes del habla.\n\nFunciones guiadas por voz\n\nEl fabricante describe llamadas a funciones a partir de la intención expresada oralmente y etiqueta el ejemplo de llamadas a funciones de la ficha publicada como compatibilidad 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 proporciona el resultado. Por tanto, una consulta por voz puede devolver una respuesta escrita utilizando información de una herramienta conectada. Las llamadas a funciones no significan que el modelo posea automáticamente el servicio externo ni realice una acción por el mero hecho de nombrarla.\n\nMantén explícitos la finalidad 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 oral, 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 compleción de chat, la ficha recomienda temperature 0.2 y top-p 0.95. Para transcripción, recomienda temperature 0.0. Indica explícitamente que los prompts del sistema no se admiten en 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 la convención de prompts del sistema de otro modelo Mistral.\n\nSelecciona una grabación que contenga el material pertinente para la pregunta, mantén el habla audible con claridad 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 de esta versión concreta.\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 indicaciones de duración específicas de la tarea y el idioma de entrada al preparar un flujo repetible. El entregable final útil es el texto solicitado, conectado con la grabación y formateado para el siguiente paso documental o de la aplicación.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Summarize a supplied meeting transcript\n\nSummarize this supplied transcript text: 'Ana: We will keep the current label. Ben: I will check the revised barcode by Tuesday. Ana: Shipping timing is still unconfirmed. Ben: Agreed.' Return topics, explicit decisions and follow-up actions. Separate the unresolved shipping date from decisions, and include owners or deadlines only when stated in the transcript.A meeting summary with topics, one decision, an owned action and an unresolved timing item.Check that keeping the label is the decision and shipping timing remains unconfirmed.mistralai/voxtral-small-24b-2507Voxtral Small 1.0 24B 2507 es un modelo de texto y audio para transcripción, traducción del habla, preguntas y resúmenes. El fabricante documenta un contexto de 32k, hasta 30 minutos para transcripción o 40 minutos para comprensión, varias entradas de audio y resultados textuales.
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 añade entrada de audio y comprensión del habla a una base de modelo lingüístico Mistral Small. Acepta audio y texto y devuelve texto, incluidos una transcripción, una respuesta sobre la grabación, una traducción o un resumen estructurado. Esta es la edición nombrada de comprensión del habla de 24 mil millones de parámetros, distinta de Voxtral Mini, las variantes de servicio optimizadas para transcripción y las versiones posteriores de Voxtral de generación de voz o tiempo real.
Transcripción y comprensión de audio
El modelo tiene un modo específico de transcripción pura. El fabricante indica que, por defecto, predice automáticamente el idioma del audio de origen y transcribe en consecuencia. Utiliza este modo cuando el entregable deseado sean las palabras pronunciadas, no una interpretación o un 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 independiente de reconocimiento de voz y otro de texto. Una solicitud puede preguntar qué tema se discutió, qué decisión se expresó o qué información de la grabación responde a una pregunta concreta. El resultado puede ser una respuesta concisa o un resumen organizado, en lugar de una transcripción completa de cada palabra pronunciada.
Para resumir una reunión, proporciona la grabación y define los campos que devolver: temas, decisiones expresadas explícitamente y acciones de seguimiento. Solicita nombres o fechas únicamente cuando la grabación los indique realmente, y mantén los detalles pendientes separados de las decisiones. Para una entrevista, pide la respuesta a una pregunta concreta y el contexto circundante que la hace comprensible. Estos diseños de salida conectan la tarea de audio con un documento que alguien puede utilizar después.
Contexto, duración e idiomas
El fabricante 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 diferentes. Elige la operación deseada antes de seleccionar la grabación e incluye la instrucción textual y la conversación al planificar el contexto disponible. Una grabación larga y una respuesta escrita larga consumen recursos; la indicación de duración no es una promesa independiente de longitud de respuesta ilimitada.
La versión identifica inglés, español, francés, portugués, hindi, alemán, neerlandés e italiano entre sus principales idiomas compatibles y proporciona detección automática del idioma. Para traducir el habla, establece el idioma final y los términos que deben conservar su forma original. Para una pregunta sobre audio en un idioma, distingue el idioma de la grabación del idioma en que se debe escribir la respuesta.
Varias grabaciones y preguntas de seguimiento
La ficha admite varias entradas de audio en un mensaje y audio en varios turnos del usuario. Asigna a cada grabación un identificador e indica su función al compararlas. Una solicitud práctica puede comparar dos versiones de una explicación oral, 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 a la fuente correcta.
Un seguimiento puede conservar la pregunta y respuesta anteriores mientras pide un detalle más específico o proporciona otra grabación. Por ejemplo, primero pide las decisiones de una discusión y después pregunta qué decisión se relaciona con un requisito concreto. La misma versión también demuestra solicitudes exclusivamente textuales y exclusivamente de audio. Su base textual puede trabajar sobre la pregunta o el resultado escritos, mientras que la capacidad de audio aporta pruebas procedentes del habla.
Funciones guiadas por voz
El fabricante describe llamadas a funciones a partir de la intención expresada oralmente y etiqueta el ejemplo de llamadas a funciones de la ficha publicada como compatibilidad 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 proporciona el resultado. Por tanto, una consulta por voz puede devolver una respuesta escrita utilizando información de una herramienta conectada. Las llamadas a funciones no significan que el modelo posea automáticamente el servicio externo ni realice una acción por el mero hecho de nombrarla.
Mantén explícitos la finalidad 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 oral, 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 compleción de chat, la ficha recomienda temperature 0.2 y top-p 0.95. Para transcripción, recomienda temperature 0.0. Indica explícitamente que los prompts del sistema no se admiten en 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 la convención de prompts del sistema de otro modelo Mistral.
Selecciona una grabación que contenga el material pertinente para la pregunta, mantén el habla audible con claridad 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 de esta versión concreta.
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 indicaciones de duración específicas de la tarea y el idioma de entrada al preparar un flujo repetible. El entregable final útil es el texto solicitado, conectado con la grabación y formateado para el siguiente paso documental o de la aplicación.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites mistralai/voxtral-small-24b-2507 | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites function Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores y límites text | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza en esta ruta de texto Ultra | Predeterminado— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores y límites Condiciones: 1h se rechaza en los campos reales de caché de instrucciones | Predeterminado— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parámetrocontrol_scope | Contratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
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 | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0002 / 1K tokens Salida · Tokens de salida $0.0006 / 1K tokens Entrada · Lectura de caché $0.00002 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónTramo 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0002 / 1K tokens Salida · Tokens de salida $0.0006 / 1K tokens Entrada · Lectura de caché $0.00002 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/voxtral-small-24b-2507", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/voxtral-small-24b-2507',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/voxtral-small-24b-2507',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y las cabeceras. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra mistralai/voxtral-small-24b-2507
Usa las rutas de método indicadas arriba.
mistralai/voxtral-small-24b-2507Voxtral Small 1.0 24B 2507 es un modelo de texto y audio para transcripción, traducción del habla, preguntas y resúmenes. El fabricante documenta un contexto de 32k, hasta 30 minutos para transcripción o 40 minutos para comprensión, varias entradas de audio y resultados textuales.
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 añade entrada de audio y comprensión del habla a una base de modelo lingüístico Mistral Small. Acepta audio y texto y devuelve texto, incluidos una transcripción, una respuesta sobre la grabación, una traducción o un resumen estructurado. Esta es la edición nombrada de comprensión del habla de 24 mil millones de parámetros, distinta de Voxtral Mini, las variantes de servicio optimizadas para transcripción y las versiones posteriores de Voxtral de generación de voz o tiempo real.
Transcripción y comprensión de audio
El modelo tiene un modo específico de transcripción pura. El fabricante indica que, por defecto, predice automáticamente el idioma del audio de origen y transcribe en consecuencia. Utiliza este modo cuando el entregable deseado sean las palabras pronunciadas, no una interpretación o un 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 independiente de reconocimiento de voz y otro de texto. Una solicitud puede preguntar qué tema se discutió, qué decisión se expresó o qué información de la grabación responde a una pregunta concreta. El resultado puede ser una respuesta concisa o un resumen organizado, en lugar de una transcripción completa de cada palabra pronunciada.
Para resumir una reunión, proporciona la grabación y define los campos que devolver: temas, decisiones expresadas explícitamente y acciones de seguimiento. Solicita nombres o fechas únicamente cuando la grabación los indique realmente, y mantén los detalles pendientes separados de las decisiones. Para una entrevista, pide la respuesta a una pregunta concreta y el contexto circundante que la hace comprensible. Estos diseños de salida conectan la tarea de audio con un documento que alguien puede utilizar después.
Contexto, duración e idiomas
El fabricante 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 diferentes. Elige la operación deseada antes de seleccionar la grabación e incluye la instrucción textual y la conversación al planificar el contexto disponible. Una grabación larga y una respuesta escrita larga consumen recursos; la indicación de duración no es una promesa independiente de longitud de respuesta ilimitada.
La versión identifica inglés, español, francés, portugués, hindi, alemán, neerlandés e italiano entre sus principales idiomas compatibles y proporciona detección automática del idioma. Para traducir el habla, establece el idioma final y los términos que deben conservar su forma original. Para una pregunta sobre audio en un idioma, distingue el idioma de la grabación del idioma en que se debe escribir la respuesta.
Varias grabaciones y preguntas de seguimiento
La ficha admite varias entradas de audio en un mensaje y audio en varios turnos del usuario. Asigna a cada grabación un identificador e indica su función al compararlas. Una solicitud práctica puede comparar dos versiones de una explicación oral, 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 a la fuente correcta.
Un seguimiento puede conservar la pregunta y respuesta anteriores mientras pide un detalle más específico o proporciona otra grabación. Por ejemplo, primero pide las decisiones de una discusión y después pregunta qué decisión se relaciona con un requisito concreto. La misma versión también demuestra solicitudes exclusivamente textuales y exclusivamente de audio. Su base textual puede trabajar sobre la pregunta o el resultado escritos, mientras que la capacidad de audio aporta pruebas procedentes del habla.
Funciones guiadas por voz
El fabricante describe llamadas a funciones a partir de la intención expresada oralmente y etiqueta el ejemplo de llamadas a funciones de la ficha publicada como compatibilidad 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 proporciona el resultado. Por tanto, una consulta por voz puede devolver una respuesta escrita utilizando información de una herramienta conectada. Las llamadas a funciones no significan que el modelo posea automáticamente el servicio externo ni realice una acción por el mero hecho de nombrarla.
Mantén explícitos la finalidad 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 oral, 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 compleción de chat, la ficha recomienda temperature 0.2 y top-p 0.95. Para transcripción, recomienda temperature 0.0. Indica explícitamente que los prompts del sistema no se admiten en 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 la convención de prompts del sistema de otro modelo Mistral.
Selecciona una grabación que contenga el material pertinente para la pregunta, mantén el habla audible con claridad 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 de esta versión concreta.
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 indicaciones de duración específicas de la tarea y el idioma de entrada al preparar un flujo repetible. El entregable final útil es el texto solicitado, conectado con la grabación y formateado para el siguiente paso documental o de la aplicación.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites mistralai/voxtral-small-24b-2507 | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
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 | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0002 / 1K tokens Salida · Tokens de salida $0.0006 / 1K tokens Entrada · Lectura de caché $0.00002 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónTramo 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.0002 / 1K tokens Salida · Tokens de salida $0.0006 / 1K tokens Entrada · Lectura de caché $0.00002 / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "mistralai/voxtral-small-24b-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/voxtral-small-24b-2507', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/voxtral-small-24b-2507', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y las cabeceras. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra mistralai/voxtral-small-24b-2507
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Summarize a supplied meeting transcript\n\nSummarize this supplied transcript text: 'Ana: We will keep the current label. Ben: I will check the revised barcode by Tuesday. Ana: Shipping timing is still unconfirmed. Ben: Agreed.' Return topics, explicit decisions and follow-up actions. Separate the unresolved shipping date from decisions, and include owners or deadlines only when stated in the transcript.A meeting summary with topics, one decision, an owned action and an unresolved timing item.Check that keeping the label is the decision and shipping timing remains unconfirmed.