Voxtral Mini 1.0 3B 2507は、Ministral 3Bの言語モデルファミリーを基にした、Mistral AIのコンパクトなテキスト・音声理解モデルです。発話の録音と文章の指示を受け取り、文字起こし、翻訳、音声への回答、構造化要約などをテキストで生成します。最初のVoxtralリリースは、別個の24B Voxtral Smallと並び、この3Bモデルを小規模・ローカルのアプリケーション向けに位置付けています。提供サービスで文字起こしに最適化されたVoxtral Mini Transcribeとも区別されます。
専用の文字起こしモードがあり、既定で元言語を自動推定し、それに合わせて文字起こしします。話された言葉が必要な成果物なら、このモードを選びます。一方、音声理解では、別の音声認識段階とテキストモデルを組み合わせず、録音について直接質問したり要約を求めたりできます。したがってインタビューから全文の文字起こし、翻訳、狭い質問への回答を得られます。異なるタスクが1つの曖昧な依頼にならないよう、必要な結果を指定してください。
このリリースのカードは、32Kトークンのコンテキストと、文字起こしでは最大30分、理解では最大40分の音声を挙げています。これらは異なるタスクごとの時間記載であり、すべての操作に共通する音声許容量ではありません。関連する録音、指示、会話を意図したタスクの範囲に収めます。開発元が挙げる言語は、英語、スペイン語、フランス語、ポルトガル語、ヒンディー語、ドイツ語、オランダ語、イタリア語で、自動言語検出に対応します。翻訳や回答では、録音の言語と必要な出力言語を区別します。
1メッセージ内の複数音声入力と、複数ユーザーターンにわたる音声に対応します。比較を求めるときは、各録音に明確な識別子を付けます。独自の例では、口頭説明を2つ比較し、資料ごとに別の列を設けて、どの要件が変わったかを返せます。追加質問では、発見事項1つの詳細を尋ねたり、別の録音を提示したりできます。カードはテキストのみ・音声のみの利用も実演し、文章の質問と発話の根拠の両方を扱えるようにしています。
会議の要約では録音を示し、話題、述べられた決定、フォローアップの行動などの有用な構造を求めます。不確かな名前、日付、担当者は、明瞭に話された事実と分けてください。インタビューでは、特定の質問に答える発言と、理解に必要な周辺の文脈を求めます。これらは使えるテキスト成果物のためのタスク設計であり、一般的な音声理解が話者分離、単語の時刻、名前が示されていない話者の特定を保証するわけではありません。
開発元は、話された意図からの関数呼び出しを説明しています。そのワークフローでは、アプリケーションが関数定義を提供し、モデルが関連する呼び出しと引数を提案し、アプリケーションが実行して観測を返します。音声の依頼は検索や他のツール利用タスクを導けますが、モデルの呼び出し提案は実行済みの操作とは異なります。続ける際は実際の結果を保持し、後の回答が要求内容ではなく実際に起きたことを反映するようにしてください。
公開利用カードは、文字起こしにtemperature 0.0、音声理解とチャットにtemperature 0.2、top_p 0.95を推奨しています。このフローではシステムプロンプトを利用できないため、タスクと回答要件をユーザー入力に置きます。例では録音を音声入力へデコードし、MP3素材も含みますが、網羅的なコーデック一覧や独立した厳密な最大出力長を確定するものではありません。例の500トークン生成設定は、あくまで予算の例です。
タスクに関係する内容を含む明瞭な録音を用意し、元の文言、翻訳、回答、要約のどれが必要かを指定します。カードは複数会話を使うバッチ推論も実演していますが、それは開発元の利用パターンであり、個別結果の識別情報とは別です。3B 2507版と、文字起こし・理解で異なる時間指針を維持してください。後のMini Transcribe 2の話者分離、13言語の仕様、長時間録音への対応は、別の開発元機能です。
", "aboutText": "Voxtral Mini 1.0 3B 2507は、Ministral 3Bの言語モデルファミリーを基にした、Mistral AIのコンパクトなテキスト・音声理解モデルです。発話の録音と文章の指示を受け取り、文字起こし、翻訳、音声への回答、構造化要約などをテキストで生成します。最初のVoxtralリリースは、別個の24B Voxtral Smallと並び、この3Bモデルを小規模・ローカルのアプリケーション向けに位置付けています。提供サービスで文字起こしに最適化されたVoxtral Mini Transcribeとも区別されます。\n\n専用の文字起こしモードがあり、既定で元言語を自動推定し、それに合わせて文字起こしします。話された言葉が必要な成果物なら、このモードを選びます。一方、音声理解では、別の音声認識段階とテキストモデルを組み合わせず、録音について直接質問したり要約を求めたりできます。したがってインタビューから全文の文字起こし、翻訳、狭い質問への回答を得られます。異なるタスクが1つの曖昧な依頼にならないよう、必要な結果を指定してください。\n\nこのリリースのカードは、32Kトークンのコンテキストと、文字起こしでは最大30分、理解では最大40分の音声を挙げています。これらは異なるタスクごとの時間記載であり、すべての操作に共通する音声許容量ではありません。関連する録音、指示、会話を意図したタスクの範囲に収めます。開発元が挙げる言語は、英語、スペイン語、フランス語、ポルトガル語、ヒンディー語、ドイツ語、オランダ語、イタリア語で、自動言語検出に対応します。翻訳や回答では、録音の言語と必要な出力言語を区別します。\n\n1メッセージ内の複数音声入力と、複数ユーザーターンにわたる音声に対応します。比較を求めるときは、各録音に明確な識別子を付けます。独自の例では、口頭説明を2つ比較し、資料ごとに別の列を設けて、どの要件が変わったかを返せます。追加質問では、発見事項1つの詳細を尋ねたり、別の録音を提示したりできます。カードはテキストのみ・音声のみの利用も実演し、文章の質問と発話の根拠の両方を扱えるようにしています。\n\n会議の要約では録音を示し、話題、述べられた決定、フォローアップの行動などの有用な構造を求めます。不確かな名前、日付、担当者は、明瞭に話された事実と分けてください。インタビューでは、特定の質問に答える発言と、理解に必要な周辺の文脈を求めます。これらは使えるテキスト成果物のためのタスク設計であり、一般的な音声理解が話者分離、単語の時刻、名前が示されていない話者の特定を保証するわけではありません。\n\n開発元は、話された意図からの関数呼び出しを説明しています。そのワークフローでは、アプリケーションが関数定義を提供し、モデルが関連する呼び出しと引数を提案し、アプリケーションが実行して観測を返します。音声の依頼は検索や他のツール利用タスクを導けますが、モデルの呼び出し提案は実行済みの操作とは異なります。続ける際は実際の結果を保持し、後の回答が要求内容ではなく実際に起きたことを反映するようにしてください。\n\n公開利用カードは、文字起こしにtemperature 0.0、音声理解とチャットにtemperature 0.2、top_p 0.95を推奨しています。このフローではシステムプロンプトを利用できないため、タスクと回答要件をユーザー入力に置きます。例では録音を音声入力へデコードし、MP3素材も含みますが、網羅的なコーデック一覧や独立した厳密な最大出力長を確定するものではありません。例の500トークン生成設定は、あくまで予算の例です。\n\nタスクに関係する内容を含む明瞭な録音を用意し、元の文言、翻訳、回答、要約のどれが必要かを指定します。カードは複数会話を使うバッチ推論も実演していますが、それは開発元の利用パターンであり、個別結果の識別情報とは別です。3B 2507版と、文字起こし・理解で異なる時間指針を維持してください。後のMini Transcribe 2の話者分離、13言語の仕様、長時間録音への対応は、別の開発元機能です。", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "aa50e53f59f947216b7d7a0c6d9d520777d8a9e3921b810c6606222a8579d540", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "ja", "methods": [ { "html": "mistralai/voxtral-mini-3b-2507Voxtral Mini 1.0 3B 2507は、音声理解とコンパクトなテキストモデルを組み合わせ、文字起こし、音声翻訳、質問、要約に対応します。開発元は、32Kコンテキスト、最大30分の文字起こしまたは40分の音声理解、テキスト出力を文書化しています。
この説明はモデルの機能を紹介するものです。Ailootで利用できる入力、出力、オプションは、選択したメソッドごとに以下に記載されています。
Voxtral Mini 1.0 3B 2507は、Ministral 3Bの言語モデルファミリーを基にした、Mistral AIのコンパクトなテキスト・音声理解モデルです。発話の録音と文章の指示を受け取り、文字起こし、翻訳、音声への回答、構造化要約などをテキストで生成します。最初のVoxtralリリースは、別個の24B Voxtral Smallと並び、この3Bモデルを小規模・ローカルのアプリケーション向けに位置付けています。提供サービスで文字起こしに最適化されたVoxtral Mini Transcribeとも区別されます。
専用の文字起こしモードがあり、既定で元言語を自動推定し、それに合わせて文字起こしします。話された言葉が必要な成果物なら、このモードを選びます。一方、音声理解では、別の音声認識段階とテキストモデルを組み合わせず、録音について直接質問したり要約を求めたりできます。したがってインタビューから全文の文字起こし、翻訳、狭い質問への回答を得られます。異なるタスクが1つの曖昧な依頼にならないよう、必要な結果を指定してください。
このリリースのカードは、32Kトークンのコンテキストと、文字起こしでは最大30分、理解では最大40分の音声を挙げています。これらは異なるタスクごとの時間記載であり、すべての操作に共通する音声許容量ではありません。関連する録音、指示、会話を意図したタスクの範囲に収めます。開発元が挙げる言語は、英語、スペイン語、フランス語、ポルトガル語、ヒンディー語、ドイツ語、オランダ語、イタリア語で、自動言語検出に対応します。翻訳や回答では、録音の言語と必要な出力言語を区別します。
1メッセージ内の複数音声入力と、複数ユーザーターンにわたる音声に対応します。比較を求めるときは、各録音に明確な識別子を付けます。独自の例では、口頭説明を2つ比較し、資料ごとに別の列を設けて、どの要件が変わったかを返せます。追加質問では、発見事項1つの詳細を尋ねたり、別の録音を提示したりできます。カードはテキストのみ・音声のみの利用も実演し、文章の質問と発話の根拠の両方を扱えるようにしています。
会議の要約では録音を示し、話題、述べられた決定、フォローアップの行動などの有用な構造を求めます。不確かな名前、日付、担当者は、明瞭に話された事実と分けてください。インタビューでは、特定の質問に答える発言と、理解に必要な周辺の文脈を求めます。これらは使えるテキスト成果物のためのタスク設計であり、一般的な音声理解が話者分離、単語の時刻、名前が示されていない話者の特定を保証するわけではありません。
開発元は、話された意図からの関数呼び出しを説明しています。そのワークフローでは、アプリケーションが関数定義を提供し、モデルが関連する呼び出しと引数を提案し、アプリケーションが実行して観測を返します。音声の依頼は検索や他のツール利用タスクを導けますが、モデルの呼び出し提案は実行済みの操作とは異なります。続ける際は実際の結果を保持し、後の回答が要求内容ではなく実際に起きたことを反映するようにしてください。
公開利用カードは、文字起こしにtemperature 0.0、音声理解とチャットにtemperature 0.2、top_p 0.95を推奨しています。このフローではシステムプロンプトを利用できないため、タスクと回答要件をユーザー入力に置きます。例では録音を音声入力へデコードし、MP3素材も含みますが、網羅的なコーデック一覧や独立した厳密な最大出力長を確定するものではありません。例の500トークン生成設定は、あくまで予算の例です。
タスクに関係する内容を含む明瞭な録音を用意し、元の文言、翻訳、回答、要約のどれが必要かを指定します。カードは複数会話を使うバッチ推論も実演していますが、それは開発元の利用パターンであり、個別結果の識別情報とは別です。3B 2507版と、文字起こし・理解で異なる時間指針を維持してください。後のMini Transcribe 2の話者分離、13言語の仕様、長時間録音への対応は、別の開発元機能です。
POST /v1/audio/transcriptionsaudiotext| フィールド | 種類 | 要件 | 値と制限 | デフォルト |
|---|---|---|---|---|
フィールドmodel | 種類string | 要件必須 | 値と制限 mistralai/voxtral-mini-3b-2507 | デフォルト— |
フィールドinput_audio | 種類object | 要件必須 | 値と制限 | デフォルト— |
フィールドlanguage | 種類string | 要件任意 | 値と制限 | デフォルト— |
フィールドtemperature | 種類number | 要件任意 | 値と制限 最小値: 0 最大値: 1 | デフォルト— |
フィールドresponse_format | 種類string | 要件任意 | 値と制限 json, verbose_json | デフォルトjson |
フィールドtimestamp_granularities | 種類array | 要件任意 | 値と制限 | デフォルト— |
フィールドprovider | 種類object | 要件任意 | 値と制限 | デフォルト— |
| パラメータ | 仕様 |
|---|---|
パラメータcontent_type | 仕様application/json |
パラメータrequired | 仕様model, input_audio |
パラメータmaterial_types | 仕様audio |
パラメータmaterial_conditions | 仕様実際のWAVファイルを読み込み、その実際のバイト列を、宣言されたJSONのinput_audio向けにエンコードしてください。この厳密にJSONのみを扱う宣言では、multipartルートは提供するとしていません。 |
ライフサイクル: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · 実際に返された task_id またはメディアライブラリのレコード
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
表示料金は生成前の費用の見積もりです。最終請求額は、元の生成処理に記録された費用から計算されます。実測された出力時間や予測数量が、そのまま最終的な課金数量になるわけではありません。
料金情報はリクエストの機能を追加しません。対応するパラメーターは選択したメソッドに記載されています。
各料金を表示された条件と照合してください。選択肢となる設定の各組には、いずれか1つの料金を適用します。
| 設定 | 料金表 | 予測数量 | 課金単位 | 料金 |
|---|---|---|---|---|
| 設定基本トークン料金 | 料金表基本料金 | 予測数量— | 課金単位— | 料金 入力 · 入力トークン · 比較専用の見積もり — / 1K トークン 出力 · 出力トークン · 比較専用の見積もり — / 1K トークン 入力 · キャッシュ読み取り · 比較専用の見積もり — / 1K トークン 入力 · キャッシュ書き込み · 比較専用の見積もり — / 1K トークン 入力 · キャッシュ書き込み、1時間 · 比較専用の見積もり — / 1K トークン |
| 設定入力音声の秒 | 料金表— | 予測数量— | 課金単位入力音声1秒あたり | 料金 入力 · 入力音声の秒 · 比較専用の見積もり $0.0000333334 入力音声1秒あたり |
| 設定生成費用の見積もり | 料金表— | 予測数量生成1回分の概算 | 課金単位— | 料金 出力 · 推定生成コスト · 比較専用の見積もり $0.0000333334 生成前の見積もり この見積もりは追加料金ではなく、完了した生成処理に対する固定料金でもありません。 |
Ailootはリクエスト前に見積額を確保します。結果の取得後、実測使用量に基づいて最終料金を精算します。ストリーミング時の精算には最終の使用量記録を使用します。金額の確保と精算の仕組み →
set -eu\n: "${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.\n返された完全なレスポンス、ファイル、コンテンツ部分をすべて保存してください。
レスポンスとヘッダーの全体、実際の出力すべて、最初に返された識別子、使用量フィールドすべてを保存してください。作成リクエストを再送せずに、元の操作を復旧してください。
照合のため、返された X-Client-Request-ID を保存してください。実際に返された task_id/asset_id の値、または自分が所有するメディアライブラリだけを使って読み取ってください。操作 ID からタスクの URL を組み立てたり、作成リクエストを再送したりしないでください。
| フィールド | 種類 |
|---|---|
フィールドtext | 種類 |
フィールドusage | 種類 |
フィールドsegments[] | 種類 |
フィールドwords[] | 種類 |
フィールドspeaker fields | 種類 |
フィールドtimestamps | 種類 |
Ailoot Ultra mistralai/voxtral-mini-3b-2507
上記に表示されたメソッドパスを使用してください。