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 des enregistrements de parole et des instructions textuelles et produit du texte, notamment des transcriptions, des traductions, des réponses sur l’audio et des résumés structurés. La version Voxtral initiale destine ce modèle 3B aux applications compactes ou locales, aux côtés du modèle distinct Voxtral Small 24B. Il est aussi distinct 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 ce mode lorsque le livrable requis est la formulation prononcée. La compréhension audio permet plutôt une question directe ou une demande de résumé sur un enregistrement, sans exiger une étape séparée de reconnaissance vocale suivie d’un modèle textuel. Un entretien peut donc produire une transcription complète, une traduction ou une réponse à une question ciblée ; précisez le résultat nécessaire pour éviter de réunir ces tâches différentes dans une consigne ambiguë.
La fiche exacte de la version indique un contexte de 32K tokens et des audios atteignant 30 minutes pour la transcription ou 40 minutes pour la compréhension. Ce sont des durées différentes selon la tâche, et non une autorisation audio commune à toute opération. Gardez l’enregistrement pertinent, les instructions et la conversation dans le périmètre prévu. Les langues nommées par le fabricant sont l’anglais, l’espagnol, le français, le portugais, l’hindi, l’allemand, le néerlandais et l’italien, avec détection automatique de langue. Pour une traduction ou une réponse, distinguez la langue de l’enregistrement de la langue de sortie requise.
Plusieurs entrées audio dans un message et l’audio sur plusieurs échanges utilisateur sont pris en charge. Donnez à chaque enregistrement un identifiant clair lors des comparaisons. Un exemple original pourrait comparer deux explications orales et indiquer quelles exigences ont changé, avec une colonne séparée pour chaque source. Une question de suivi peut demander le détail derrière un constat ou fournir un autre enregistrement. La fiche montre aussi les usages purement textuels ou purement audio, permettant de travailler sur la question écrite comme sur les éléments de parole.
Pour un résumé de réunion, fournissez l’enregistrement et demandez une structure utile comme sujets, décisions énoncées et actions de suivi. Séparez les noms, dates ou responsabilités incertains des faits clairement prononcés. Pour un entretien, demandez l’énoncé répondant à une question précise et suffisamment de contexte pour le comprendre. Ces conceptions de tâche produisent un livrable textuel utilisable ; elles ne transforment pas la compréhension audio générale en garantie de diarisation, d’horodatages mot par mot ou d’identification d’un locuteur non nommé.
Le fabricant décrit l’appel de fonctions à partir d’intentions orales. Dans ce processus, l’application fournit les définitions de fonctions, 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 outillée, mais l’appel proposé se distingue d’une action exécutée. Préservez le résultat réel retourné lorsque vous poursuivez la conversation afin qu’une réponse ultérieure reflète ce qui s’est passé plutôt que ce qui a été demandé.
La fiche d’utilisation publiée recommande temperature 0.0 pour la transcription, et temperature 0.2 avec top_p 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 donc la tâche et les exigences de réponse dans l’entrée utilisateur. Ses exemples décodent les enregistrements en entrées audio et comprennent du MP3, mais n’établissent ni liste exhaustive de codecs ni longueur maximale stricte séparée de sortie. Le réglage de génération de 500 tokens reste un budget d’exemple.
Préparez un enregistrement clair contenant les éléments pertinents et précisez si vous souhaitez la formulation originale, une traduction, une réponse ou un résumé. La fiche montre aussi l’inférence par lots avec plusieurs conversations, un schéma d’utilisation du producteur distinct de l’identité d’un résultat individuel. Préservez l’édition 3B 2507 et ses recommandations de durée distinguant transcription et compréhension ; la diarisation, le profil de 13 langues et la prise en charge d’enregistrements plus longs du modèle ultérieur Mini Transcribe 2 sont des fonctions distinctes 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 des enregistrements de parole et des instructions textuelles et produit du texte, notamment des transcriptions, des traductions, des réponses sur l’audio et des résumés structurés. La version Voxtral initiale destine ce modèle 3B aux applications compactes ou locales, aux côtés du modèle distinct Voxtral Small 24B. Il est aussi distinct 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 ce mode lorsque le livrable requis est la formulation prononcée. La compréhension audio permet plutôt une question directe ou une demande de résumé sur un enregistrement, sans exiger une étape séparée de reconnaissance vocale suivie d’un modèle textuel. Un entretien peut donc produire une transcription complète, une traduction ou une réponse à une question ciblée ; précisez le résultat nécessaire pour éviter de réunir ces tâches différentes dans une consigne ambiguë.\n\nLa fiche exacte de la version indique un contexte de 32K tokens et des audios atteignant 30 minutes pour la transcription ou 40 minutes pour la compréhension. Ce sont des durées différentes selon la tâche, et non une autorisation audio commune à toute opération. Gardez l’enregistrement pertinent, les instructions et la conversation dans le périmètre prévu. Les langues nommées par le fabricant sont l’anglais, l’espagnol, le français, le portugais, l’hindi, l’allemand, le néerlandais et l’italien, avec détection automatique de langue. Pour une traduction ou une réponse, distinguez la langue de l’enregistrement de la langue de sortie requise.\n\nPlusieurs entrées audio dans un message et l’audio sur plusieurs échanges utilisateur sont pris en charge. Donnez à chaque enregistrement un identifiant clair lors des comparaisons. Un exemple original pourrait comparer deux explications orales et indiquer quelles exigences ont changé, avec une colonne séparée pour chaque source. Une question de suivi peut demander le détail derrière un constat ou fournir un autre enregistrement. La fiche montre aussi les usages purement textuels ou purement audio, permettant de travailler sur la question écrite comme sur les éléments de parole.\n\nPour un résumé de réunion, fournissez l’enregistrement et demandez une structure utile comme sujets, décisions énoncées et actions de suivi. Séparez les noms, dates ou responsabilités incertains des faits clairement prononcés. Pour un entretien, demandez l’énoncé répondant à une question précise et suffisamment de contexte pour le comprendre. Ces conceptions de tâche produisent un livrable textuel utilisable ; elles ne transforment pas la compréhension audio générale en garantie de diarisation, d’horodatages mot par mot ou d’identification d’un locuteur non nommé.\n\nLe fabricant décrit l’appel de fonctions à partir d’intentions orales. Dans ce processus, l’application fournit les définitions de fonctions, 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 outillée, mais l’appel proposé se distingue d’une action exécutée. Préservez le résultat réel retourné lorsque vous poursuivez la conversation afin qu’une réponse ultérieure reflète ce qui s’est passé plutôt que ce qui a été demandé.\n\nLa fiche d’utilisation publiée recommande temperature 0.0 pour la transcription, et temperature 0.2 avec top_p 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 donc la tâche et les exigences de réponse dans l’entrée utilisateur. Ses exemples décodent les enregistrements en entrées audio et comprennent du MP3, mais n’établissent ni liste exhaustive de codecs ni longueur maximale stricte séparée de sortie. 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 souhaitez la formulation originale, une traduction, une réponse ou un résumé. La fiche montre aussi l’inférence par lots avec plusieurs conversations, un schéma d’utilisation du producteur distinct de l’identité d’un résultat individuel. Préservez l’édition 3B 2507 et ses recommandations de durée distinguant transcription et compréhension ; la diarisation, le profil de 13 langues et la prise en charge d’enregistrements plus longs du modèle ultérieur Mini Transcribe 2 sont des fonctions distinctes du producteur.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "b68345388d7a0396e2490913c13d8d2fb59808cca4ece7f6da4080d3d7cbb03d", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr", "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 la parole, les questions et les résumés. Son fabricant documente un contexte de 32K, jusqu’à 30 minutes de transcription ou 40 minutes de compréhension audio, et 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 des enregistrements de parole et des instructions textuelles et produit du texte, notamment des transcriptions, des traductions, des réponses sur l’audio et des résumés structurés. La version Voxtral initiale destine ce modèle 3B aux applications compactes ou locales, aux côtés du modèle distinct Voxtral Small 24B. Il est aussi distinct 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 ce mode lorsque le livrable requis est la formulation prononcée. La compréhension audio permet plutôt une question directe ou une demande de résumé sur un enregistrement, sans exiger une étape séparée de reconnaissance vocale suivie d’un modèle textuel. Un entretien peut donc produire une transcription complète, une traduction ou une réponse à une question ciblée ; précisez le résultat nécessaire pour éviter de réunir ces tâches différentes dans une consigne ambiguë.
La fiche exacte de la version indique un contexte de 32K tokens et des audios atteignant 30 minutes pour la transcription ou 40 minutes pour la compréhension. Ce sont des durées différentes selon la tâche, et non une autorisation audio commune à toute opération. Gardez l’enregistrement pertinent, les instructions et la conversation dans le périmètre prévu. Les langues nommées par le fabricant sont l’anglais, l’espagnol, le français, le portugais, l’hindi, l’allemand, le néerlandais et l’italien, avec détection automatique de langue. Pour une traduction ou une réponse, distinguez la langue de l’enregistrement de la langue de sortie requise.
Plusieurs entrées audio dans un message et l’audio sur plusieurs échanges utilisateur sont pris en charge. Donnez à chaque enregistrement un identifiant clair lors des comparaisons. Un exemple original pourrait comparer deux explications orales et indiquer quelles exigences ont changé, avec une colonne séparée pour chaque source. Une question de suivi peut demander le détail derrière un constat ou fournir un autre enregistrement. La fiche montre aussi les usages purement textuels ou purement audio, permettant de travailler sur la question écrite comme sur les éléments de parole.
Pour un résumé de réunion, fournissez l’enregistrement et demandez une structure utile comme sujets, décisions énoncées et actions de suivi. Séparez les noms, dates ou responsabilités incertains des faits clairement prononcés. Pour un entretien, demandez l’énoncé répondant à une question précise et suffisamment de contexte pour le comprendre. Ces conceptions de tâche produisent un livrable textuel utilisable ; elles ne transforment pas la compréhension audio générale en garantie de diarisation, d’horodatages mot par mot ou d’identification d’un locuteur non nommé.
Le fabricant décrit l’appel de fonctions à partir d’intentions orales. Dans ce processus, l’application fournit les définitions de fonctions, 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 outillée, mais l’appel proposé se distingue d’une action exécutée. Préservez le résultat réel retourné lorsque vous poursuivez la conversation afin qu’une réponse ultérieure reflète ce qui s’est passé plutôt que ce qui a été demandé.
La fiche d’utilisation publiée recommande temperature 0.0 pour la transcription, et temperature 0.2 avec top_p 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 donc la tâche et les exigences de réponse dans l’entrée utilisateur. Ses exemples décodent les enregistrements en entrées audio et comprennent du MP3, mais n’établissent ni liste exhaustive de codecs ni longueur maximale stricte séparée de sortie. Le réglage de génération de 500 tokens reste un budget d’exemple.
Préparez un enregistrement clair contenant les éléments pertinents et précisez si vous souhaitez la formulation originale, une traduction, une réponse ou un résumé. La fiche montre aussi l’inférence par lots avec plusieurs conversations, un schéma d’utilisation du producteur distinct de l’identité d’un résultat individuel. Préservez l’édition 3B 2507 et ses recommandations de durée distinguant transcription et compréhension ; la diarisation, le profil de 13 langues et la prise en charge d’enregistrements plus longs du modèle ultérieur Mini Transcribe 2 sont des fonctions distinctes 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 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 par jeton | 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 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 $0.0000333334 estimation avant génération Cette estimation ne constitue ni des frais supplémentaires ni un tarif fixe pour la génération terminée. |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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.