Voxtral Small 1.0 24B 2507 ajoute l’entrée audio et la compréhension de la parole à une base linguistique Mistral Small. Il accepte audio et texte et renvoie du texte, notamment une transcription, une réponse sur l’enregistrement, une traduction ou un résumé structuré. C’est l’édition nommée de compréhension de la parole de 24 milliards de paramètres, distincte de Voxtral Mini, des variantes de service optimisées pour la transcription et des versions Voxtral ultérieures de génération vocale ou de temps réel.
Transcription et compréhension audio
Le modèle dispose d’un mode dédié de transcription pure. Le fabricant indique qu’il prédit automatiquement la langue de l’audio source par défaut et transcrit en conséquence. Utilisez ce mode lorsque le livrable souhaité est la formulation prononcée elle-même plutôt qu’une interprétation ou un résumé. Indiquez si le résultat doit conserver la langue originale ou être suivi d’une traduction demandée séparément.
La compréhension audio permet de poser directement une question sur un enregistrement, sans enchaîner d’abord un modèle de reconnaissance vocale séparé et un modèle textuel. Une requête peut demander quel sujet a été abordé, quelle décision a été énoncée ou quelle information de l’enregistrement répond à une question précise. Le résultat peut être une réponse concise ou un résumé organisé plutôt qu’une transcription intégrale de chaque mot prononcé.
Pour un résumé de réunion, fournissez l’enregistrement et définissez les champs à retourner : sujets, décisions explicitement énoncées et actions de suivi. Ne demandez noms ou dates que lorsque l’enregistrement les indique réellement et séparez les détails non résolus des décisions. Pour un entretien, demandez la réponse à une question particulière et le contexte environnant qui la rend compréhensible. Ces conceptions de sortie relient la tâche audio à un document utilisable ensuite.
Contexte, durée et langues
Le fabricant documente un contexte de 32k jetons et des audios atteignant 30 minutes pour la transcription ou 40 minutes pour la compréhension. Ces deux durées ont des périmètres de tâche différents. Choisissez l’opération souhaitée avant de sélectionner l’enregistrement, et incluez l’instruction textuelle et la conversation dans la planification du contexte disponible. Un enregistrement long et une réponse écrite longue consomment tous deux des ressources; l’indication de durée n’est pas une promesse distincte de longueur de réponse illimitée.
La version identifie l’anglais, l’espagnol, le français, le portugais, l’hindi, l’allemand, le néerlandais et l’italien parmi ses principales langues prises en charge et propose la détection automatique de langue. Pour la traduction de parole, définissez la langue finale et les termes à conserver dans leur forme originale. Pour une question sur un audio dans une langue, distinguez la langue de l’enregistrement de celle de la réponse écrite.
Plusieurs enregistrements et questions de suivi
La fiche prend en charge plusieurs entrées audio dans un message et l’audio dans plusieurs échanges utilisateur. Donnez un identifiant à chaque enregistrement et indiquez son rôle lorsque vous les comparez. Une demande pratique peut comparer deux versions d’une explication orale, demander quelles conditions ont changé et retourner un tableau avec une colonne distincte pour chaque enregistrement. Les identifiants aident à conserver les constats du modèle associés à la bonne source.
Une question de suivi peut conserver la question et la réponse précédentes tout en demandant un détail plus précis ou en fournissant un autre enregistrement. Par exemple, demandez d’abord les décisions d’une discussion, puis quelle décision concerne une exigence particulière. La même version montre aussi des requêtes uniquement textuelles ou uniquement audio. Sa base textuelle peut traiter la question écrite ou le résultat, tandis que la capacité audio fournit les éléments issus de la parole.
Fonctions pilotées par la voix
Le fabricant décrit les appels de fonctions à partir d’intentions orales et qualifie l’exemple d’appel de fonctions de la fiche publiée de prise en charge expérimentale. Dans ce processus, l’application définit une fonction et ses arguments, le modèle prépare un appel à partir de la demande, et l’application l’exécute et fournit le résultat. Une recherche vocale peut donc retourner une réponse écrite utilisant des informations d’un outil connecté. L’appel de fonctions ne signifie pas que le modèle possède automatiquement le service externe ou effectue une action simplement en la nommant.
Gardez explicites l’objectif de la fonction et les informations requises. Si l’enregistrement demande une opération mais omet une valeur obligatoire, l’application a toujours besoin de cette valeur pour exécuter la fonction. Séparez demande orale, arguments proposés et résultat retourné afin que la réponse suivante puisse faire référence au résultat réel de l’opération.
Réglages recommandés et limites utiles
Pour la compréhension audio et la complétion de dialogue, la fiche recommande temperature 0.2 et top-p 0.95. Pour la transcription, elle recommande temperature 0.0. Elle indique explicitement que les invites système ne sont pas prises en charge dans ce processus d’utilisation publié; placez donc la tâche et les exigences de réponse dans l’entrée utilisateur au lieu de transférer la convention d’invite système d’un autre modèle Mistral.
Choisissez un enregistrement contenant les éléments pertinents pour la question, gardez la parole audible claire et précisez si le résultat doit être une transcription, une traduction, une réponse ou un résumé. La sortie documentée est textuelle. Une réponse parlée nécessite un composant de synthèse vocale, et l’identification des locuteurs, la diarisation détaillée ou les horodatages mot par mot ne doivent pas être déduits de l’affirmation générale de compréhension audio pour cette version exacte.
Les exemples de génération de 500 jetons de la fiche sont des réglages d’exemple, et non une capacité maximale de sortie indiquée séparément. Préservez l’édition 2507, les recommandations de durée propres à chaque tâche et la langue d’entrée lors de la préparation d’un processus reproductible. Le livrable final utile est le texte demandé, relié à l’enregistrement et formaté pour l’étape documentaire ou applicative suivante.
", "aboutText": "Voxtral Small 1.0 24B 2507 ajoute l’entrée audio et la compréhension de la parole à une base linguistique Mistral Small. Il accepte audio et texte et renvoie du texte, notamment une transcription, une réponse sur l’enregistrement, une traduction ou un résumé structuré. C’est l’édition nommée de compréhension de la parole de 24 milliards de paramètres, distincte de Voxtral Mini, des variantes de service optimisées pour la transcription et des versions Voxtral ultérieures de génération vocale ou de temps réel.\n\nTranscription et compréhension audio\n\nLe modèle dispose d’un mode dédié de transcription pure. Le fabricant indique qu’il prédit automatiquement la langue de l’audio source par défaut et transcrit en conséquence. Utilisez ce mode lorsque le livrable souhaité est la formulation prononcée elle-même plutôt qu’une interprétation ou un résumé. Indiquez si le résultat doit conserver la langue originale ou être suivi d’une traduction demandée séparément.\n\nLa compréhension audio permet de poser directement une question sur un enregistrement, sans enchaîner d’abord un modèle de reconnaissance vocale séparé et un modèle textuel. Une requête peut demander quel sujet a été abordé, quelle décision a été énoncée ou quelle information de l’enregistrement répond à une question précise. Le résultat peut être une réponse concise ou un résumé organisé plutôt qu’une transcription intégrale de chaque mot prononcé.\n\nPour un résumé de réunion, fournissez l’enregistrement et définissez les champs à retourner : sujets, décisions explicitement énoncées et actions de suivi. Ne demandez noms ou dates que lorsque l’enregistrement les indique réellement et séparez les détails non résolus des décisions. Pour un entretien, demandez la réponse à une question particulière et le contexte environnant qui la rend compréhensible. Ces conceptions de sortie relient la tâche audio à un document utilisable ensuite.\n\nContexte, durée et langues\n\nLe fabricant documente un contexte de 32k jetons et des audios atteignant 30 minutes pour la transcription ou 40 minutes pour la compréhension. Ces deux durées ont des périmètres de tâche différents. Choisissez l’opération souhaitée avant de sélectionner l’enregistrement, et incluez l’instruction textuelle et la conversation dans la planification du contexte disponible. Un enregistrement long et une réponse écrite longue consomment tous deux des ressources; l’indication de durée n’est pas une promesse distincte de longueur de réponse illimitée.\n\nLa version identifie l’anglais, l’espagnol, le français, le portugais, l’hindi, l’allemand, le néerlandais et l’italien parmi ses principales langues prises en charge et propose la détection automatique de langue. Pour la traduction de parole, définissez la langue finale et les termes à conserver dans leur forme originale. Pour une question sur un audio dans une langue, distinguez la langue de l’enregistrement de celle de la réponse écrite.\n\nPlusieurs enregistrements et questions de suivi\n\nLa fiche prend en charge plusieurs entrées audio dans un message et l’audio dans plusieurs échanges utilisateur. Donnez un identifiant à chaque enregistrement et indiquez son rôle lorsque vous les comparez. Une demande pratique peut comparer deux versions d’une explication orale, demander quelles conditions ont changé et retourner un tableau avec une colonne distincte pour chaque enregistrement. Les identifiants aident à conserver les constats du modèle associés à la bonne source.\n\nUne question de suivi peut conserver la question et la réponse précédentes tout en demandant un détail plus précis ou en fournissant un autre enregistrement. Par exemple, demandez d’abord les décisions d’une discussion, puis quelle décision concerne une exigence particulière. La même version montre aussi des requêtes uniquement textuelles ou uniquement audio. Sa base textuelle peut traiter la question écrite ou le résultat, tandis que la capacité audio fournit les éléments issus de la parole.\n\nFonctions pilotées par la voix\n\nLe fabricant décrit les appels de fonctions à partir d’intentions orales et qualifie l’exemple d’appel de fonctions de la fiche publiée de prise en charge expérimentale. Dans ce processus, l’application définit une fonction et ses arguments, le modèle prépare un appel à partir de la demande, et l’application l’exécute et fournit le résultat. Une recherche vocale peut donc retourner une réponse écrite utilisant des informations d’un outil connecté. L’appel de fonctions ne signifie pas que le modèle possède automatiquement le service externe ou effectue une action simplement en la nommant.\n\nGardez explicites l’objectif de la fonction et les informations requises. Si l’enregistrement demande une opération mais omet une valeur obligatoire, l’application a toujours besoin de cette valeur pour exécuter la fonction. Séparez demande orale, arguments proposés et résultat retourné afin que la réponse suivante puisse faire référence au résultat réel de l’opération.\n\nRéglages recommandés et limites utiles\n\nPour la compréhension audio et la complétion de dialogue, la fiche recommande temperature 0.2 et top-p 0.95. Pour la transcription, elle recommande temperature 0.0. Elle indique explicitement que les invites système ne sont pas prises en charge dans ce processus d’utilisation publié; placez donc la tâche et les exigences de réponse dans l’entrée utilisateur au lieu de transférer la convention d’invite système d’un autre modèle Mistral.\n\nChoisissez un enregistrement contenant les éléments pertinents pour la question, gardez la parole audible claire et précisez si le résultat doit être une transcription, une traduction, une réponse ou un résumé. La sortie documentée est textuelle. Une réponse parlée nécessite un composant de synthèse vocale, et l’identification des locuteurs, la diarisation détaillée ou les horodatages mot par mot ne doivent pas être déduits de l’affirmation générale de compréhension audio pour cette version exacte.\n\nLes exemples de génération de 500 jetons de la fiche sont des réglages d’exemple, et non une capacité maximale de sortie indiquée séparément. Préservez l’édition 2507, les recommandations de durée propres à chaque tâche et la langue d’entrée lors de la préparation d’un processus reproductible. Le livrable final utile est le texte demandé, relié à l’enregistrement et formaté pour l’étape documentaire ou applicative suivante.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "9214b7bc189fc2e0f9e79635c45e8bd5680a8ed830b1c27a771beb09cbad191b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ca", "methods": [ { "html": "mistralai/voxtral-small-24b-2507-sttVoxtral Small 1.0 24B 2507 est un modèle de texte et d’audio pour la transcription, la traduction de la parole, les questions et les résumés. Son fabricant documente un contexte de 32k, jusqu’à 30 minutes pour la transcription ou 40 minutes pour la compréhension, plusieurs entrées audio et des résultats textuels.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Voxtral Small 1.0 24B 2507 ajoute l’entrée audio et la compréhension de la parole à une base linguistique Mistral Small. Il accepte audio et texte et renvoie du texte, notamment une transcription, une réponse sur l’enregistrement, une traduction ou un résumé structuré. C’est l’édition nommée de compréhension de la parole de 24 milliards de paramètres, distincte de Voxtral Mini, des variantes de service optimisées pour la transcription et des versions Voxtral ultérieures de génération vocale ou de temps réel.
Transcription et compréhension audio
Le modèle dispose d’un mode dédié de transcription pure. Le fabricant indique qu’il prédit automatiquement la langue de l’audio source par défaut et transcrit en conséquence. Utilisez ce mode lorsque le livrable souhaité est la formulation prononcée elle-même plutôt qu’une interprétation ou un résumé. Indiquez si le résultat doit conserver la langue originale ou être suivi d’une traduction demandée séparément.
La compréhension audio permet de poser directement une question sur un enregistrement, sans enchaîner d’abord un modèle de reconnaissance vocale séparé et un modèle textuel. Une requête peut demander quel sujet a été abordé, quelle décision a été énoncée ou quelle information de l’enregistrement répond à une question précise. Le résultat peut être une réponse concise ou un résumé organisé plutôt qu’une transcription intégrale de chaque mot prononcé.
Pour un résumé de réunion, fournissez l’enregistrement et définissez les champs à retourner : sujets, décisions explicitement énoncées et actions de suivi. Ne demandez noms ou dates que lorsque l’enregistrement les indique réellement et séparez les détails non résolus des décisions. Pour un entretien, demandez la réponse à une question particulière et le contexte environnant qui la rend compréhensible. Ces conceptions de sortie relient la tâche audio à un document utilisable ensuite.
Contexte, durée et langues
Le fabricant documente un contexte de 32k jetons et des audios atteignant 30 minutes pour la transcription ou 40 minutes pour la compréhension. Ces deux durées ont des périmètres de tâche différents. Choisissez l’opération souhaitée avant de sélectionner l’enregistrement, et incluez l’instruction textuelle et la conversation dans la planification du contexte disponible. Un enregistrement long et une réponse écrite longue consomment tous deux des ressources; l’indication de durée n’est pas une promesse distincte de longueur de réponse illimitée.
La version identifie l’anglais, l’espagnol, le français, le portugais, l’hindi, l’allemand, le néerlandais et l’italien parmi ses principales langues prises en charge et propose la détection automatique de langue. Pour la traduction de parole, définissez la langue finale et les termes à conserver dans leur forme originale. Pour une question sur un audio dans une langue, distinguez la langue de l’enregistrement de celle de la réponse écrite.
Plusieurs enregistrements et questions de suivi
La fiche prend en charge plusieurs entrées audio dans un message et l’audio dans plusieurs échanges utilisateur. Donnez un identifiant à chaque enregistrement et indiquez son rôle lorsque vous les comparez. Une demande pratique peut comparer deux versions d’une explication orale, demander quelles conditions ont changé et retourner un tableau avec une colonne distincte pour chaque enregistrement. Les identifiants aident à conserver les constats du modèle associés à la bonne source.
Une question de suivi peut conserver la question et la réponse précédentes tout en demandant un détail plus précis ou en fournissant un autre enregistrement. Par exemple, demandez d’abord les décisions d’une discussion, puis quelle décision concerne une exigence particulière. La même version montre aussi des requêtes uniquement textuelles ou uniquement audio. Sa base textuelle peut traiter la question écrite ou le résultat, tandis que la capacité audio fournit les éléments issus de la parole.
Fonctions pilotées par la voix
Le fabricant décrit les appels de fonctions à partir d’intentions orales et qualifie l’exemple d’appel de fonctions de la fiche publiée de prise en charge expérimentale. Dans ce processus, l’application définit une fonction et ses arguments, le modèle prépare un appel à partir de la demande, et l’application l’exécute et fournit le résultat. Une recherche vocale peut donc retourner une réponse écrite utilisant des informations d’un outil connecté. L’appel de fonctions ne signifie pas que le modèle possède automatiquement le service externe ou effectue une action simplement en la nommant.
Gardez explicites l’objectif de la fonction et les informations requises. Si l’enregistrement demande une opération mais omet une valeur obligatoire, l’application a toujours besoin de cette valeur pour exécuter la fonction. Séparez demande orale, arguments proposés et résultat retourné afin que la réponse suivante puisse faire référence au résultat réel de l’opération.
Réglages recommandés et limites utiles
Pour la compréhension audio et la complétion de dialogue, la fiche recommande temperature 0.2 et top-p 0.95. Pour la transcription, elle recommande temperature 0.0. Elle indique explicitement que les invites système ne sont pas prises en charge dans ce processus d’utilisation publié; placez donc la tâche et les exigences de réponse dans l’entrée utilisateur au lieu de transférer la convention d’invite système d’un autre modèle Mistral.
Choisissez un enregistrement contenant les éléments pertinents pour la question, gardez la parole audible claire et précisez si le résultat doit être une transcription, une traduction, une réponse ou un résumé. La sortie documentée est textuelle. Une réponse parlée nécessite un composant de synthèse vocale, et l’identification des locuteurs, la diarisation détaillée ou les horodatages mot par mot ne doivent pas être déduits de l’affirmation générale de compréhension audio pour cette version exacte.
Les exemples de génération de 500 jetons de la fiche sont des réglages d’exemple, et non une capacité maximale de sortie indiquée séparément. Préservez l’édition 2507, les recommandations de durée propres à chaque tâche et la langue d’entrée lors de la préparation d’un processus reproductible. Le livrable final utile est le texte demandé, relié à l’enregistrement et formaté pour l’étape documentaire ou applicative suivante.
POST /v1/audio/transcriptionsaudiotext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites mistralai/voxtral-small-24b-2507-stt | 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 limitée au 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 · Jetons en entrée · Estimation à des fins de comparaison uniquement — / 1K jetons Sortie · Jetons en sortie · Estimation à des fins de comparaison uniquement — / 1K jetons Entrée · Lecture du cache · Estimation à des fins de comparaison uniquement — / 1K jetons Entrée · Écriture dans le cache · Estimation à des fins de comparaison uniquement — / 1K jetons Entrée · Écriture dans le cache, 1 h · Estimation à des fins de comparaison uniquement — / 1K jetons |
| 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 $0.0001 par seconde d’audio en entrée |
| ConfigurationCoût de génération estimé | Barème tarifaire— | Quantité prévisionnelleestimation pour une génération | Unité de facturation— | Coût Sortie · Coût estimé de génération · Estimation à des fins de comparaison uniquement $0.0001 estimation avant génération Cette estimation ne constitue ni des frais supplémentaires ni un tarif fixe pour la génération terminée. |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'mistralai/voxtral-small-24b-2507-stt', 'input_audio': {'data': '${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.\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-small-24b-2507-stt
Utilisez les chemins de méthode indiqués ci-dessus.