Voxtral Mini 1.0 3B 2507 est le modèle compact de compréhension textuelle et audio de Mistral AI construit sur la famille linguistique Ministral 3B. Il accepte enregistrements de parole et instructions textuelles et produit du texte : transcriptions, traductions, réponses sur l’audio et synthèses structurées. La publication originale destine ce modèle 3B aux applications compactes ou locales, à côté du modèle distinct Voxtral Small 24B. Il diffère aussi du service hébergé Voxtral Mini Transcribe optimisé pour la transcription.
Le modèle possède un mode dédié de transcription qui prédit automatiquement la langue source par défaut et transcrit en conséquence. Choisissez-le lorsque le livrable requis est la formulation prononcée. La compréhension audio permet plutôt une question directe ou une demande de résumé sans reconnaissance vocale distincte préalable suivie d’un modèle textuel. Un entretien peut ainsi produire une transcription complète, une traduction ou une réponse ciblée ; précisez le résultat nécessaire pour éviter un cahier des charges ambigu.
La fiche exacte indique un contexte de 32 k tokens et de l’audio jusqu’à 30 minutes pour la transcription ou 40 minutes pour la compréhension. Ce sont des durées propres à des tâches différentes, pas une allocation commune à toutes les opérations. Gardez l’enregistrement pertinent, les instructions et la conversation dans le périmètre prévu. Les langues nommées sont l’anglais, l’espagnol, le français, le portugais, l’hindi, l’allemand, le néerlandais et l’italien, avec détection automatique. Pour une traduction ou réponse, distinguez langue de l’enregistrement et langue de sortie requise.
Plusieurs entrées audio dans un message et de l’audio sur plusieurs tours utilisateur sont pris en charge. Donnez un identifiant clair à chaque enregistrement lors des comparaisons. Un exemple pourrait comparer deux explications parlées et indiquer les exigences modifiées avec une colonne par source. Un échange complémentaire peut approfondir un constat ou fournir un autre enregistrement. La fiche montre aussi les usages textuels seuls et audio seuls, permettant de traiter la question écrite et les éléments de parole.
Pour une synthèse de réunion, fournissez l’enregistrement et demandez une structure utile, par exemple sujets, décisions formulées et actions de suivi. Séparez noms, dates ou responsabilités incertains des faits clairement prononcés. Pour un entretien, demandez l’énoncé répondant à une question particulière avec assez de contexte pour le comprendre. Ces formats produisent un livrable textuel exploitable ; ils ne transforment pas la compréhension générale en garantie de diarisation, d’horodatages mot à mot ou d’identification d’un locuteur non nommé.
Le fabricant décrit les appels de fonctions à partir d’une intention parlée. L’application fournit les définitions, le modèle propose l’appel et les arguments pertinents, puis l’application l’exécute et renvoie l’observation. Une demande vocale peut donc guider une recherche ou une autre tâche avec outils, mais l’appel proposé diffère d’une action exécutée. Préservez le résultat réellement renvoyé pour que la suite reflète ce qui s’est passé plutôt que ce qui a été demandé.
La fiche d’usage recommande une température de 0,0 pour la transcription, et de 0,2 avec top_p à 0.95 pour la compréhension audio et le dialogue. Elle indique que les prompts système ne sont pas pris en charge dans ce processus : placez tâche et exigences de réponse dans l’entrée utilisateur. Les exemples décodent les enregistrements en entrées audio et incluent du MP3, mais n’établissent ni liste exhaustive de codecs ni longueur maximale stricte de sortie indépendante. Le réglage de génération de 500 tokens reste un budget d’exemple.
Préparez un enregistrement clair contenant les éléments pertinents et précisez si vous voulez formulation originale, traduction, réponse ou synthèse. La fiche montre aussi l’inférence par lots de plusieurs conversations, un usage du producteur distinct de l’identité de chaque résultat. Préservez l’édition 3B 2507 et ses durées distinctes de transcription et de compréhension ; la diarisation, les 13 langues et les enregistrements plus longs de Mini Transcribe 2 sont des fonctions séparées du producteur.
", "aboutText": "Voxtral Mini 1.0 3B 2507 est le modèle compact de compréhension textuelle et audio de Mistral AI construit sur la famille linguistique Ministral 3B. Il accepte enregistrements de parole et instructions textuelles et produit du texte : transcriptions, traductions, réponses sur l’audio et synthèses structurées. La publication originale destine ce modèle 3B aux applications compactes ou locales, à côté du modèle distinct Voxtral Small 24B. Il diffère aussi du service hébergé Voxtral Mini Transcribe optimisé pour la transcription.\n\nLe modèle possède un mode dédié de transcription qui prédit automatiquement la langue source par défaut et transcrit en conséquence. Choisissez-le lorsque le livrable requis est la formulation prononcée. La compréhension audio permet plutôt une question directe ou une demande de résumé sans reconnaissance vocale distincte préalable suivie d’un modèle textuel. Un entretien peut ainsi produire une transcription complète, une traduction ou une réponse ciblée ; précisez le résultat nécessaire pour éviter un cahier des charges ambigu.\n\nLa fiche exacte indique un contexte de 32 k tokens et de l’audio jusqu’à 30 minutes pour la transcription ou 40 minutes pour la compréhension. Ce sont des durées propres à des tâches différentes, pas une allocation commune à toutes les opérations. Gardez l’enregistrement pertinent, les instructions et la conversation dans le périmètre prévu. Les langues nommées sont l’anglais, l’espagnol, le français, le portugais, l’hindi, l’allemand, le néerlandais et l’italien, avec détection automatique. Pour une traduction ou réponse, distinguez langue de l’enregistrement et langue de sortie requise.\n\nPlusieurs entrées audio dans un message et de l’audio sur plusieurs tours utilisateur sont pris en charge. Donnez un identifiant clair à chaque enregistrement lors des comparaisons. Un exemple pourrait comparer deux explications parlées et indiquer les exigences modifiées avec une colonne par source. Un échange complémentaire peut approfondir un constat ou fournir un autre enregistrement. La fiche montre aussi les usages textuels seuls et audio seuls, permettant de traiter la question écrite et les éléments de parole.\n\nPour une synthèse de réunion, fournissez l’enregistrement et demandez une structure utile, par exemple sujets, décisions formulées et actions de suivi. Séparez noms, dates ou responsabilités incertains des faits clairement prononcés. Pour un entretien, demandez l’énoncé répondant à une question particulière avec assez de contexte pour le comprendre. Ces formats produisent un livrable textuel exploitable ; ils ne transforment pas la compréhension générale en garantie de diarisation, d’horodatages mot à mot ou d’identification d’un locuteur non nommé.\n\nLe fabricant décrit les appels de fonctions à partir d’une intention parlée. L’application fournit les définitions, le modèle propose l’appel et les arguments pertinents, puis l’application l’exécute et renvoie l’observation. Une demande vocale peut donc guider une recherche ou une autre tâche avec outils, mais l’appel proposé diffère d’une action exécutée. Préservez le résultat réellement renvoyé pour que la suite reflète ce qui s’est passé plutôt que ce qui a été demandé.\n\nLa fiche d’usage recommande une température de 0,0 pour la transcription, et de 0,2 avec top_p à 0.95 pour la compréhension audio et le dialogue. Elle indique que les prompts système ne sont pas pris en charge dans ce processus : placez tâche et exigences de réponse dans l’entrée utilisateur. Les exemples décodent les enregistrements en entrées audio et incluent du MP3, mais n’établissent ni liste exhaustive de codecs ni longueur maximale stricte de sortie indépendante. Le réglage de génération de 500 tokens reste un budget d’exemple.\n\nPréparez un enregistrement clair contenant les éléments pertinents et précisez si vous voulez formulation originale, traduction, réponse ou synthèse. La fiche montre aussi l’inférence par lots de plusieurs conversations, un usage du producteur distinct de l’identité de chaque résultat. Préservez l’édition 3B 2507 et ses durées distinctes de transcription et de compréhension ; la diarisation, les 13 langues et les enregistrements plus longs de Mini Transcribe 2 sont des fonctions séparées du producteur.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "c421ddfdacfd252dde6e6e1ef3d128327c15dc3304609c9e3e071db02aa6fa9b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-be", "methods": [ { "html": "mistralai/voxtral-mini-3b-2507Voxtral Mini 1.0 3B 2507 associe la compréhension audio à un modèle textuel compact pour la transcription, la traduction de parole, les questions et les synthèses. Le concepteur documente un contexte de 32 k tokens, jusqu’à 30 minutes de transcription ou 40 minutes de compréhension audio, avec une sortie textuelle.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Voxtral Mini 1.0 3B 2507 est le modèle compact de compréhension textuelle et audio de Mistral AI construit sur la famille linguistique Ministral 3B. Il accepte enregistrements de parole et instructions textuelles et produit du texte : transcriptions, traductions, réponses sur l’audio et synthèses structurées. La publication originale destine ce modèle 3B aux applications compactes ou locales, à côté du modèle distinct Voxtral Small 24B. Il diffère aussi du service hébergé Voxtral Mini Transcribe optimisé pour la transcription.
Le modèle possède un mode dédié de transcription qui prédit automatiquement la langue source par défaut et transcrit en conséquence. Choisissez-le lorsque le livrable requis est la formulation prononcée. La compréhension audio permet plutôt une question directe ou une demande de résumé sans reconnaissance vocale distincte préalable suivie d’un modèle textuel. Un entretien peut ainsi produire une transcription complète, une traduction ou une réponse ciblée ; précisez le résultat nécessaire pour éviter un cahier des charges ambigu.
La fiche exacte indique un contexte de 32 k tokens et de l’audio jusqu’à 30 minutes pour la transcription ou 40 minutes pour la compréhension. Ce sont des durées propres à des tâches différentes, pas une allocation commune à toutes les opérations. Gardez l’enregistrement pertinent, les instructions et la conversation dans le périmètre prévu. Les langues nommées sont l’anglais, l’espagnol, le français, le portugais, l’hindi, l’allemand, le néerlandais et l’italien, avec détection automatique. Pour une traduction ou réponse, distinguez langue de l’enregistrement et langue de sortie requise.
Plusieurs entrées audio dans un message et de l’audio sur plusieurs tours utilisateur sont pris en charge. Donnez un identifiant clair à chaque enregistrement lors des comparaisons. Un exemple pourrait comparer deux explications parlées et indiquer les exigences modifiées avec une colonne par source. Un échange complémentaire peut approfondir un constat ou fournir un autre enregistrement. La fiche montre aussi les usages textuels seuls et audio seuls, permettant de traiter la question écrite et les éléments de parole.
Pour une synthèse de réunion, fournissez l’enregistrement et demandez une structure utile, par exemple sujets, décisions formulées et actions de suivi. Séparez noms, dates ou responsabilités incertains des faits clairement prononcés. Pour un entretien, demandez l’énoncé répondant à une question particulière avec assez de contexte pour le comprendre. Ces formats produisent un livrable textuel exploitable ; ils ne transforment pas la compréhension générale en garantie de diarisation, d’horodatages mot à mot ou d’identification d’un locuteur non nommé.
Le fabricant décrit les appels de fonctions à partir d’une intention parlée. L’application fournit les définitions, le modèle propose l’appel et les arguments pertinents, puis l’application l’exécute et renvoie l’observation. Une demande vocale peut donc guider une recherche ou une autre tâche avec outils, mais l’appel proposé diffère d’une action exécutée. Préservez le résultat réellement renvoyé pour que la suite reflète ce qui s’est passé plutôt que ce qui a été demandé.
La fiche d’usage recommande une température de 0,0 pour la transcription, et de 0,2 avec top_p à 0.95 pour la compréhension audio et le dialogue. Elle indique que les prompts système ne sont pas pris en charge dans ce processus : placez tâche et exigences de réponse dans l’entrée utilisateur. Les exemples décodent les enregistrements en entrées audio et incluent du MP3, mais n’établissent ni liste exhaustive de codecs ni longueur maximale stricte de sortie indépendante. Le réglage de génération de 500 tokens reste un budget d’exemple.
Préparez un enregistrement clair contenant les éléments pertinents et précisez si vous voulez formulation originale, traduction, réponse ou synthèse. La fiche montre aussi l’inférence par lots de plusieurs conversations, un usage du producteur distinct de l’identité de chaque résultat. Préservez l’édition 3B 2507 et ses durées distinctes de transcription et de compréhension ; la diarisation, les 13 langues et les enregistrements plus longs de Mini Transcribe 2 sont des fonctions séparées du producteur.
POST /v1/audio/transcriptionsaudiotext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/voxtral-mini-3b-2507 | Par défaut— |
Champinput_audio | Typeobject | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champlanguage | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Minimum: 0 Maximum: 1 | Par défaut— |
Champresponse_format | Typestring | ExigenceFacultatif | Valeurs et limites json, verbose_json | Par défautjson |
Champtimestamp_granularities | Typearray | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites | Par défaut— |
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, input_audio |
Paramètrematerial_types | Contrataudio |
Paramètrematerial_conditions | ContratLisez un fichier WAV réel et encodez ses octets réels pour l’entrée JSON input_audio déclarée ; aucune route multipart n’est annoncée pour cette déclaration exacte exclusivement JSON. |
Cycle de vie : synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id effectivement renvoyé ou enregistrement de la bibliothèque multimédia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Les tarifs affichés servent à estimer le coût avant la génération. Le montant final est calculé à partir du coût enregistré pour la génération d’origine. La durée mesurée du résultat et les quantités prévisionnelles ne constituent pas la quantité finale facturable.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Quantité prévisionnelle | Unité de facturation | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des jetons | Barème tarifaireTarif de base | Quantité prévisionnelle— | Unité de facturation— | Coût Entrée · Tokens en entrée · Estimation à des fins de comparaison uniquement — / 1K tokens Sortie · Tokens en sortie · Estimation à des fins de comparaison uniquement — / 1K tokens Entrée · Lecture du cache · Estimation à des fins de comparaison uniquement — / 1K tokens Entrée · Écriture dans le cache · Estimation à des fins de comparaison uniquement — / 1K tokens Entrée · Écriture dans le cache, 1 h · Estimation à des fins de comparaison uniquement — / 1K tokens |
| Configurationseconde d’audio en entrée | Barème tarifaire— | Quantité prévisionnelle— | Unité de facturationpar seconde d’audio en entrée | Coût Entrée · seconde d’audio en entrée · Estimation à des fins de comparaison uniquement $0.0000333334 par seconde d’audio en entrée |
| ConfigurationCoût estimé de la génération | Barème tarifaire— | Quantité prévisionnelleEstimation pour une génération | Unité de facturation— | Coût Sortie · Coût estimé de génération · Estimation à des fins de comparaison uniquement $0.0000333334 estimation avant génération Cette estimation ne constitue ni des frais supplémentaires ni un tarif fixe pour la génération terminée. |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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.\nConservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez la réponse complète et les en-têtes, chaque sortie effective, les identifiants initialement renvoyés et tous les champs d’utilisation. Récupérez l’opération d’origine sans soumettre à nouveau sa création.
Conservez le X-Client-Request-ID renvoyé pour le rapprochement. Consultez uniquement les valeurs task_id/asset_id effectivement renvoyées ou votre bibliothèque multimédia ; ne construisez jamais une URL de tâche à partir de l’identifiant de l’opération et ne soumettez jamais à nouveau la création.
| Champ | Type |
|---|---|
Champtext | Type |
Champusage | Type |
Champsegments[] | Type |
Champwords[] | Type |
Champspeaker fields | Type |
Champtimestamps | Type |
Ailoot Ultra mistralai/voxtral-mini-3b-2507
Utilisez les chemins de méthode indiqués ci-dessus.