Voxtral Small 1.0 24B 2507 aggiunge input audio e comprensione del parlato a una struttura linguistica Mistral Small. Accetta audio e testo e restituisce testo, inclusi una trascrizione, una risposta sulla registrazione, una traduzione o un riepilogo strutturato. È l’edizione denominata da 24 miliardi di parametri per la comprensione del parlato, distinta da Voxtral Mini, dalle varianti del servizio ottimizzate per la trascrizione e dai rilasci Voxtral successivi per generazione vocale o tempo reale.
Trascrizione e comprensione dell’audio
Il modello ha una modalità dedicata alla pura trascrizione. Il produttore afferma che, per impostazione predefinita, predice automaticamente la lingua dell’audio sorgente e trascrive di conseguenza. Usa questa modalità quando l’elaborato desiderato è la formulazione parlata stessa, anziché un’interpretazione o un riepilogo. Identifica se il risultato deve preservare la lingua originale o essere seguito da una traduzione richiesta separatamente.
La comprensione dell’audio consente di porre direttamente una domanda su una registrazione, senza concatenare prima un modello separato di riconoscimento vocale e uno testuale. Una richiesta può chiedere quale argomento sia stato discusso, quale decisione sia stata dichiarata o quali informazioni nella registrazione rispondano a una domanda specifica. Il risultato può essere una risposta concisa o un riepilogo organizzato, anziché una trascrizione completa di ogni parola pronunciata.
Per un riepilogo di riunione, fornisci la registrazione e definisci i campi da restituire: argomenti, decisioni dichiarate esplicitamente e azioni successive. Chiedi nomi o date soltanto quando la registrazione li dichiara effettivamente e mantieni i dettagli irrisolti separati dalle decisioni. Per un’intervista, richiedi la risposta a una domanda particolare e il contesto circostante che la rende comprensibile. Questi schemi di output collegano il compito audio a un documento utilizzabile in seguito.
Contesto, durata e lingue
Il produttore documenta un contesto di 32k token e audio fino a 30 minuti per trascrizione o 40 minuti per comprensione. I due valori di durata hanno ambiti di compito diversi. Scegli l’operazione desiderata prima di selezionare la registrazione e includi istruzione testuale e conversazione quando pianifichi il contesto disponibile. Una registrazione lunga e una risposta scritta lunga consumano entrambe risorse; l’indicazione della durata non è una promessa separata di lunghezza illimitata della risposta.
Il rilascio identifica inglese, spagnolo, francese, portoghese, hindi, tedesco, olandese e italiano tra le principali lingue supportate e fornisce rilevamento automatico della lingua. Per la traduzione del parlato, imposta la lingua finale e i termini che devono mantenere la forma originale. Per una domanda su audio in una lingua, distingui la lingua della registrazione da quella in cui deve essere scritta la risposta.
Più registrazioni e domande successive
La scheda supporta più input audio in un messaggio e audio in più turni utente. Assegna un identificatore a ogni registrazione e specificane il ruolo quando le confronti. Una richiesta pratica può confrontare due versioni di una spiegazione parlata, chiedere quali condizioni siano cambiate e restituire una tabella con una colonna separata per ogni registrazione. Gli identificatori aiutano a mantenere i risultati del modello associati alla fonte corretta.
Una domanda successiva può conservare domanda e risposta precedenti, chiedendo un dettaglio più circoscritto o fornendo un’altra registrazione. Per esempio, chiedi prima le decisioni di una discussione, poi quale decisione si riferisca a un requisito particolare. Lo stesso rilascio dimostra anche richieste solo testuali e solo audio. La struttura linguistica può lavorare sulla domanda o sul risultato scritto, mentre la capacità audio fornisce evidenze dal parlato.
Funzioni guidate dalla voce
Il produttore descrive chiamate di funzione dall’intento parlato e indica l’esempio di chiamata di funzione nella scheda rilasciata come supporto sperimentale. In questo flusso, l’applicazione definisce una funzione e i suoi argomenti, il modello prepara una chiamata dalla richiesta e l’applicazione la esegue e fornisce il risultato. Una ricerca vocale può quindi restituire una risposta scritta usando informazioni di uno strumento collegato. Le chiamate di funzione non significano che il modello possieda automaticamente il servizio esterno o esegua un’azione soltanto nominandola.
Mantieni espliciti scopo della funzione e informazioni richieste. Se la registrazione chiede un’operazione ma omette un valore obbligatorio, l’applicazione necessita comunque di quel valore per eseguire la funzione. Separa richiesta parlata, argomenti proposti e risultato restituito, affinché la risposta successiva possa riferirsi all’esito effettivo dell’operazione.
Impostazioni raccomandate e limiti utili
Per comprensione dell’audio e completamento chat, la scheda raccomanda temperatura 0.2 e top-p 0.95. Per la trascrizione raccomanda temperatura 0.0. Dichiara esplicitamente che i prompt di sistema non sono supportati in questo flusso d’uso rilasciato, quindi inserisci compito e requisiti della risposta nell’input utente, anziché trasferire una convenzione di prompt di sistema da un altro modello Mistral.
Seleziona una registrazione contenente il materiale pertinente alla domanda, mantieni chiaro il parlato udibile e specifica se il risultato deve essere una trascrizione, traduzione, risposta o riepilogo. L’output documentato è testo. Una risposta parlata richiede una componente text-to-speech, e identificazione dei parlanti, diarizzazione dettagliata o timestamp a livello di parola non devono essere dedotti dall’affermazione generale sulla comprensione dell’audio per questo rilascio esatto.
Gli esempi di generazione da 500 token della scheda sono impostazioni esemplificative, non una capacità massima di output dichiarata separatamente. Conserva l’edizione 2507, le indicazioni di durata specifiche del compito e la lingua di input quando prepari un flusso ripetibile. L’elaborato finale utile è il testo richiesto, collegato alla registrazione e formattato per il passaggio successivo documentale o applicativo.
", "aboutText": "Voxtral Small 1.0 24B 2507 aggiunge input audio e comprensione del parlato a una struttura linguistica Mistral Small. Accetta audio e testo e restituisce testo, inclusi una trascrizione, una risposta sulla registrazione, una traduzione o un riepilogo strutturato. È l’edizione denominata da 24 miliardi di parametri per la comprensione del parlato, distinta da Voxtral Mini, dalle varianti del servizio ottimizzate per la trascrizione e dai rilasci Voxtral successivi per generazione vocale o tempo reale.\n\nTrascrizione e comprensione dell’audio\n\nIl modello ha una modalità dedicata alla pura trascrizione. Il produttore afferma che, per impostazione predefinita, predice automaticamente la lingua dell’audio sorgente e trascrive di conseguenza. Usa questa modalità quando l’elaborato desiderato è la formulazione parlata stessa, anziché un’interpretazione o un riepilogo. Identifica se il risultato deve preservare la lingua originale o essere seguito da una traduzione richiesta separatamente.\n\nLa comprensione dell’audio consente di porre direttamente una domanda su una registrazione, senza concatenare prima un modello separato di riconoscimento vocale e uno testuale. Una richiesta può chiedere quale argomento sia stato discusso, quale decisione sia stata dichiarata o quali informazioni nella registrazione rispondano a una domanda specifica. Il risultato può essere una risposta concisa o un riepilogo organizzato, anziché una trascrizione completa di ogni parola pronunciata.\n\nPer un riepilogo di riunione, fornisci la registrazione e definisci i campi da restituire: argomenti, decisioni dichiarate esplicitamente e azioni successive. Chiedi nomi o date soltanto quando la registrazione li dichiara effettivamente e mantieni i dettagli irrisolti separati dalle decisioni. Per un’intervista, richiedi la risposta a una domanda particolare e il contesto circostante che la rende comprensibile. Questi schemi di output collegano il compito audio a un documento utilizzabile in seguito.\n\nContesto, durata e lingue\n\nIl produttore documenta un contesto di 32k token e audio fino a 30 minuti per trascrizione o 40 minuti per comprensione. I due valori di durata hanno ambiti di compito diversi. Scegli l’operazione desiderata prima di selezionare la registrazione e includi istruzione testuale e conversazione quando pianifichi il contesto disponibile. Una registrazione lunga e una risposta scritta lunga consumano entrambe risorse; l’indicazione della durata non è una promessa separata di lunghezza illimitata della risposta.\n\nIl rilascio identifica inglese, spagnolo, francese, portoghese, hindi, tedesco, olandese e italiano tra le principali lingue supportate e fornisce rilevamento automatico della lingua. Per la traduzione del parlato, imposta la lingua finale e i termini che devono mantenere la forma originale. Per una domanda su audio in una lingua, distingui la lingua della registrazione da quella in cui deve essere scritta la risposta.\n\nPiù registrazioni e domande successive\n\nLa scheda supporta più input audio in un messaggio e audio in più turni utente. Assegna un identificatore a ogni registrazione e specificane il ruolo quando le confronti. Una richiesta pratica può confrontare due versioni di una spiegazione parlata, chiedere quali condizioni siano cambiate e restituire una tabella con una colonna separata per ogni registrazione. Gli identificatori aiutano a mantenere i risultati del modello associati alla fonte corretta.\n\nUna domanda successiva può conservare domanda e risposta precedenti, chiedendo un dettaglio più circoscritto o fornendo un’altra registrazione. Per esempio, chiedi prima le decisioni di una discussione, poi quale decisione si riferisca a un requisito particolare. Lo stesso rilascio dimostra anche richieste solo testuali e solo audio. La struttura linguistica può lavorare sulla domanda o sul risultato scritto, mentre la capacità audio fornisce evidenze dal parlato.\n\nFunzioni guidate dalla voce\n\nIl produttore descrive chiamate di funzione dall’intento parlato e indica l’esempio di chiamata di funzione nella scheda rilasciata come supporto sperimentale. In questo flusso, l’applicazione definisce una funzione e i suoi argomenti, il modello prepara una chiamata dalla richiesta e l’applicazione la esegue e fornisce il risultato. Una ricerca vocale può quindi restituire una risposta scritta usando informazioni di uno strumento collegato. Le chiamate di funzione non significano che il modello possieda automaticamente il servizio esterno o esegua un’azione soltanto nominandola.\n\nMantieni espliciti scopo della funzione e informazioni richieste. Se la registrazione chiede un’operazione ma omette un valore obbligatorio, l’applicazione necessita comunque di quel valore per eseguire la funzione. Separa richiesta parlata, argomenti proposti e risultato restituito, affinché la risposta successiva possa riferirsi all’esito effettivo dell’operazione.\n\nImpostazioni raccomandate e limiti utili\n\nPer comprensione dell’audio e completamento chat, la scheda raccomanda temperatura 0.2 e top-p 0.95. Per la trascrizione raccomanda temperatura 0.0. Dichiara esplicitamente che i prompt di sistema non sono supportati in questo flusso d’uso rilasciato, quindi inserisci compito e requisiti della risposta nell’input utente, anziché trasferire una convenzione di prompt di sistema da un altro modello Mistral.\n\nSeleziona una registrazione contenente il materiale pertinente alla domanda, mantieni chiaro il parlato udibile e specifica se il risultato deve essere una trascrizione, traduzione, risposta o riepilogo. L’output documentato è testo. Una risposta parlata richiede una componente text-to-speech, e identificazione dei parlanti, diarizzazione dettagliata o timestamp a livello di parola non devono essere dedotti dall’affermazione generale sulla comprensione dell’audio per questo rilascio esatto.\n\nGli esempi di generazione da 500 token della scheda sono impostazioni esemplificative, non una capacità massima di output dichiarata separatamente. Conserva l’edizione 2507, le indicazioni di durata specifiche del compito e la lingua di input quando prepari un flusso ripetibile. L’elaborato finale utile è il testo richiesto, collegato alla registrazione e formattato per il passaggio successivo documentale o applicativo.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "62abf4bf0bd5c8c52d27ed572e702ebb5b15b89307ae0a90c326500e043c38fe", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "mistralai/voxtral-small-24b-2507-sttVoxtral Small 1.0 24B 2507 è un modello per testo e audio destinato a trascrizione, traduzione del parlato, domande e riepiloghi. Il produttore documenta un contesto di 32k, fino a 30 minuti per la trascrizione o 40 minuti per la comprensione, più input audio e risultati testuali.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Voxtral Small 1.0 24B 2507 aggiunge input audio e comprensione del parlato a una struttura linguistica Mistral Small. Accetta audio e testo e restituisce testo, inclusi una trascrizione, una risposta sulla registrazione, una traduzione o un riepilogo strutturato. È l’edizione denominata da 24 miliardi di parametri per la comprensione del parlato, distinta da Voxtral Mini, dalle varianti del servizio ottimizzate per la trascrizione e dai rilasci Voxtral successivi per generazione vocale o tempo reale.
Trascrizione e comprensione dell’audio
Il modello ha una modalità dedicata alla pura trascrizione. Il produttore afferma che, per impostazione predefinita, predice automaticamente la lingua dell’audio sorgente e trascrive di conseguenza. Usa questa modalità quando l’elaborato desiderato è la formulazione parlata stessa, anziché un’interpretazione o un riepilogo. Identifica se il risultato deve preservare la lingua originale o essere seguito da una traduzione richiesta separatamente.
La comprensione dell’audio consente di porre direttamente una domanda su una registrazione, senza concatenare prima un modello separato di riconoscimento vocale e uno testuale. Una richiesta può chiedere quale argomento sia stato discusso, quale decisione sia stata dichiarata o quali informazioni nella registrazione rispondano a una domanda specifica. Il risultato può essere una risposta concisa o un riepilogo organizzato, anziché una trascrizione completa di ogni parola pronunciata.
Per un riepilogo di riunione, fornisci la registrazione e definisci i campi da restituire: argomenti, decisioni dichiarate esplicitamente e azioni successive. Chiedi nomi o date soltanto quando la registrazione li dichiara effettivamente e mantieni i dettagli irrisolti separati dalle decisioni. Per un’intervista, richiedi la risposta a una domanda particolare e il contesto circostante che la rende comprensibile. Questi schemi di output collegano il compito audio a un documento utilizzabile in seguito.
Contesto, durata e lingue
Il produttore documenta un contesto di 32k token e audio fino a 30 minuti per trascrizione o 40 minuti per comprensione. I due valori di durata hanno ambiti di compito diversi. Scegli l’operazione desiderata prima di selezionare la registrazione e includi istruzione testuale e conversazione quando pianifichi il contesto disponibile. Una registrazione lunga e una risposta scritta lunga consumano entrambe risorse; l’indicazione della durata non è una promessa separata di lunghezza illimitata della risposta.
Il rilascio identifica inglese, spagnolo, francese, portoghese, hindi, tedesco, olandese e italiano tra le principali lingue supportate e fornisce rilevamento automatico della lingua. Per la traduzione del parlato, imposta la lingua finale e i termini che devono mantenere la forma originale. Per una domanda su audio in una lingua, distingui la lingua della registrazione da quella in cui deve essere scritta la risposta.
Più registrazioni e domande successive
La scheda supporta più input audio in un messaggio e audio in più turni utente. Assegna un identificatore a ogni registrazione e specificane il ruolo quando le confronti. Una richiesta pratica può confrontare due versioni di una spiegazione parlata, chiedere quali condizioni siano cambiate e restituire una tabella con una colonna separata per ogni registrazione. Gli identificatori aiutano a mantenere i risultati del modello associati alla fonte corretta.
Una domanda successiva può conservare domanda e risposta precedenti, chiedendo un dettaglio più circoscritto o fornendo un’altra registrazione. Per esempio, chiedi prima le decisioni di una discussione, poi quale decisione si riferisca a un requisito particolare. Lo stesso rilascio dimostra anche richieste solo testuali e solo audio. La struttura linguistica può lavorare sulla domanda o sul risultato scritto, mentre la capacità audio fornisce evidenze dal parlato.
Funzioni guidate dalla voce
Il produttore descrive chiamate di funzione dall’intento parlato e indica l’esempio di chiamata di funzione nella scheda rilasciata come supporto sperimentale. In questo flusso, l’applicazione definisce una funzione e i suoi argomenti, il modello prepara una chiamata dalla richiesta e l’applicazione la esegue e fornisce il risultato. Una ricerca vocale può quindi restituire una risposta scritta usando informazioni di uno strumento collegato. Le chiamate di funzione non significano che il modello possieda automaticamente il servizio esterno o esegua un’azione soltanto nominandola.
Mantieni espliciti scopo della funzione e informazioni richieste. Se la registrazione chiede un’operazione ma omette un valore obbligatorio, l’applicazione necessita comunque di quel valore per eseguire la funzione. Separa richiesta parlata, argomenti proposti e risultato restituito, affinché la risposta successiva possa riferirsi all’esito effettivo dell’operazione.
Impostazioni raccomandate e limiti utili
Per comprensione dell’audio e completamento chat, la scheda raccomanda temperatura 0.2 e top-p 0.95. Per la trascrizione raccomanda temperatura 0.0. Dichiara esplicitamente che i prompt di sistema non sono supportati in questo flusso d’uso rilasciato, quindi inserisci compito e requisiti della risposta nell’input utente, anziché trasferire una convenzione di prompt di sistema da un altro modello Mistral.
Seleziona una registrazione contenente il materiale pertinente alla domanda, mantieni chiaro il parlato udibile e specifica se il risultato deve essere una trascrizione, traduzione, risposta o riepilogo. L’output documentato è testo. Una risposta parlata richiede una componente text-to-speech, e identificazione dei parlanti, diarizzazione dettagliata o timestamp a livello di parola non devono essere dedotti dall’affermazione generale sulla comprensione dell’audio per questo rilascio esatto.
Gli esempi di generazione da 500 token della scheda sono impostazioni esemplificative, non una capacità massima di output dichiarata separatamente. Conserva l’edizione 2507, le indicazioni di durata specifiche del compito e la lingua di input quando prepari un flusso ripetibile. L’elaborato finale utile è il testo richiesto, collegato alla registrazione e formattato per il passaggio successivo documentale o applicativo.
POST /v1/audio/transcriptionsaudiotext| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti mistralai/voxtral-small-24b-2507-stt | Predefinito— |
Campoinput_audio | Tipoobject | RequisitoObbligatorio | Valori e limiti | Predefinito— |
Campolanguage | Tipostring | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campotemperature | Tiponumber | RequisitoFacoltativo | Valori e limiti Minimo: 0 Massimo: 1 | Predefinito— |
Camporesponse_format | Tipostring | RequisitoFacoltativo | Valori e limiti json, verbose_json | Predefinitojson |
Campotimestamp_granularities | Tipoarray | RequisitoFacoltativo | Valori e limiti | Predefinito— |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti | Predefinito— |
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, input_audio |
Parametromaterial_types | Contrattoaudio |
Parametromaterial_conditions | ContrattoLeggi un file WAV reale e codifica i suoi byte effettivi per l'input JSON dichiarato input_audio; per questa dichiarazione esatta che ammette solo JSON non viene proposta una rotta multipart. |
Ciclo di vita: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id effettivamente restituito o record della libreria multimediale
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Le tariffe visualizzate stimano il costo prima della generazione. L'addebito finale viene calcolato in base al costo registrato per la generazione originale. La durata misurata dell'output e le quantità previste non costituiscono la quantità finale fatturabile.
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Quantità prevista | Unità di fatturazione | Costo |
|---|---|---|---|---|
| ConfigurazioneTariffe base dei token | Listino delle tariffeTariffa base | Quantità prevista— | Unità di fatturazione— | Costo Input · Token in input · Stima solo a fini di confronto — / 1K token Output · Token in output · Stima solo a fini di confronto — / 1K token Input · Lettura dalla cache · Stima solo a fini di confronto — / 1K token Input · Scrittura nella cache · Stima solo a fini di confronto — / 1K token Input · Scrittura nella cache, 1 ora · Stima solo a fini di confronto — / 1K token |
| Configurazionesecondo audio in ingresso | Listino delle tariffe— | Quantità prevista— | Unità di fatturazioneper secondo di audio in input | Costo Input · secondo audio in ingresso · Stima solo a fini di confronto $0.0001 per secondo di audio in input |
| ConfigurazioneCosto stimato della generazione | Listino delle tariffe— | Quantità previstastima per una generazione | Unità di fatturazione— | Costo Output · Costo di generazione stimato · Stima solo a fini di confronto $0.0001 stima prima della generazione Questa stima non è un addebito aggiuntivo né una tariffa fissa per la generazione completata. |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nimport base64\naudio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')\nif len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')\nrequest={'model': 'mistralai/voxtral-small-24b-2507-stt', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}\nrequest['input_audio']['data']=base64.b64encode(audio).decode('ascii')\nPath('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Keep the complete original response and headers. Read every returned segment, word and usage field.\n# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.\nGET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o owned-assets.json\n# Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token.\nConserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva la risposta completa e gli header, ogni output effettivo, gli identificatori originali restituiti e tutti i campi di utilizzo. Recupera l'operazione originale senza inviare nuovamente la richiesta di creazione.
Conserva l'X-Client-Request-ID restituito per la riconciliazione. Leggi solo i valori task_id/asset_id effettivamente restituiti o la tua libreria multimediale; non costruire mai un URL del task a partire dall'ID dell'operazione e non reinviare mai la richiesta di creazione.
| Campo | Tipo |
|---|---|
Campotext | Tipo |
Campousage | Tipo |
Camposegments[] | Tipo |
Campowords[] | Tipo |
Campospeaker fields | Tipo |
Campotimestamps | Tipo |
Ailoot Ultra mistralai/voxtral-small-24b-2507-stt
Usa i percorsi dei metodi indicati sopra.