Mistral: Voxtral Small 24B 2507 STT
Voxtral Small 1.0 24B 2507は、文字起こし、音声翻訳、質問、要約向けのテキスト・音声モデルです。開発元は、32kコンテキスト、文字起こしで最大30分または理解で最大40分の音声、複数音声入力、テキスト結果を文書化しています。
モデルについて
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 Small 1.0 24B 2507は、Mistral Smallの言語モデル基盤に音声入力と発話理解を追加しています。音声とテキストを受け取り、文字起こし、録音についての回答、翻訳、構造化要約などをテキストで返します。この24Bの発話理解版は、Voxtral Mini、文字起こしに最適化されたサービス版、後の音声生成・リアルタイムのVoxtralリリースとは別です。
文字起こしと音声理解
純粋な文字起こし専用モードを備えています。開発元によると、既定では元音声の言語を自動推定し、それに合わせて文字起こしします。解釈や要約ではなく、話された言葉そのものが成果物なら、このモードを使ってください。元の言語を保つか、別に要求した翻訳を続けるかを明示します。
音声理解では、別々の音声認識モデルとテキストモデルを順に接続せず、録音について直接質問できます。話題、述べられた決定、特定の質問に答える録音内の情報などを尋ねられます。結果はすべての発話の全文ではなく、簡潔な回答や整理された要約にできます。
会議の要約では録音を渡し、話題、明言された決定、フォローアップの行動など、返すフィールドを定義します。録音で実際に述べている場合だけ名前や日付を求め、未解決の詳細を決定事項と分けてください。インタビューでは、特定の質問への回答と、理解に必要な周辺の文脈を求めます。こうした出力設計で、音声タスクを後で使える文書に結び付けられます。
コンテキスト、時間、言語
開発元は、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分の音声を文書化しています。2つの時間値は対象タスクが異なります。録音を選ぶ前に操作を選び、利用可能なコンテキストを計画する際は文章の指示と会話も含めます。長い録音と長い回答はいずれも資源を使い、時間の記載は独立した無制限の回答長を約束するものではありません。
リリースは、主要対応言語として英語、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、イタリア語を挙げ、自動言語検出を提供しています。音声翻訳では、最終言語と原形を保つ用語を設定します。ある言語の音声について質問する場合、録音の言語と回答を記述する言語を区別してください。
複数の録音と追加質問
カードは、1メッセージ内の複数音声入力と、複数ユーザーターンの音声に対応しています。比較時には各録音に識別子を付け、役割を示します。実用例として、口頭説明の2版を比較し、どの条件が変わったかを尋ね、各録音に別の列を設けた表を返せます。識別子により、発見事項を正しい資料に対応付けられます。
追加質問では、前の質問と回答を保ちながら、より狭い詳細を尋ねたり別の録音を渡したりできます。例えば、まず議論の決定を求め、次に特定の要件に関係する決定を尋ねます。同じリリースはテキストのみ・音声のみの依頼も実演しています。テキストの基盤が文章の質問や結果を扱い、音声機能が発話から根拠を提供します。
音声に基づく関数
開発元は、話された意図からの関数呼び出しを説明し、公開カードの関数呼び出し例を実験的な対応としています。このワークフローでは、アプリケーションが関数と引数を定義し、モデルが依頼から呼び出しを準備し、アプリケーションが実行して結果を提供します。したがって音声による検索では、接続ツールの情報を使って文章で回答できます。関数呼び出しは、モデルが自動的に外部サービスを所有したり、名前を挙げるだけで操作を実行したりする意味ではありません。
関数の目的と必要情報を明示します。録音で操作を求めていても必須値が欠けていれば、実行にはその値が必要です。話された依頼、提案された引数、返された結果を分け、次の応答が実際の操作結果を参照できるようにしてください。
推奨設定と有用な範囲の整理
音声理解とチャット補完には、カードはtemperature 0.2、top-p 0.95を推奨しています。文字起こしにはtemperature 0.0を推奨しています。この公開利用フローはシステムプロンプト非対応と明示しているため、他のMistralモデルの慣習を移さず、タスクと回答要件をユーザー入力に置いてください。
質問に関係する内容を含む録音を選び、発話を明瞭に保ち、文字起こし、翻訳、回答、要約のどれを返すか指定します。文書化された出力はテキストです。音声による返答には音声合成のコンポーネントが必要で、このリリースの一般的な音声理解という説明から、話者の特定、詳細な話者分離、単語単位のタイムスタンプを推測してはいけません。
カードの500トークンの生成例は設定例で、独立した最大出力容量ではありません。再現可能なワークフローを準備する際は、2507版、タスク別の時間指針、入力言語を維持してください。有用な最終成果物は、録音に結び付き、次の文書やアプリケーションの処理に合う形式で返される、要求どおりのテキストです。
Ailoot Ultra · 文字起こし POST /v1/audio/transcriptions mistralai/voxtral-small-24b-2507-stt
mistralai/voxtral-small-24b-2507-stt
mistralai/voxtral-small-24b-2507-sttはじめに
Voxtral Small 1.0 24B 2507は、文字起こし、音声翻訳、質問、要約向けのテキスト・音声モデルです。開発元は、32kコンテキスト、文字起こしで最大30分または理解で最大40分の音声、複数音声入力、テキスト結果を文書化しています。
- 対応する入力
- 音声
- 結果
- テキスト
Ailootで利用可能 · 入力とメソッド
Ailoot Ultra · 文字起こし POST /v1/audio/transcriptions
- 入力の種類
audio- 出力の種類
text
| 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-small-24b-2507-stt | 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— |
メソッドのパラメータとライフサイクル
| 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}
料金
最終料金の計算方法
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。
- 高速モード
- 未指定 高速モードが選択されている場合
- Flex モード
- 未指定 flex モードが選択されている場合
- 最大推論量
- 未指定 推論量が最大で、調整に既定値（default）を使用する場合
比較用の推定料金
設定別の価格
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 $0.0001 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 $0.0001 生成前の見積もり この見積もりは追加料金ではなく、完了した生成処理に対する固定料金でもありません。 |
Ailootはリクエスト前に見積額を確保します。結果の取得後、実測使用量に基づいて最終料金を精算します。ストリーミング時の精算には最終の使用量記録を使用します。金額の確保と精算の仕組み →
リクエスト例
Ailoot Ultra · 文字起こし
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
import base64
audio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')
if len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')
request={'model': 'mistralai/voxtral-small-24b-2507-stt', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}
request['input_audio']['data']=base64.b64encode(audio).decode('ascii')
Path('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o response.bin
# Keep the complete original response and headers. Read every returned segment, word and usage field.
# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.
結果を受け取って保存
Ailoot Ultra · 文字起こし
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
その他のコンテンツ取得
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
-H "Authorization: Bearer $AILOOT_API_KEY" -o owned-assets.json
# Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token.
完了した結果をすべて保存
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。
元のレスポンスを確認する場合
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。
レスポンスのフィールド
| 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 |
エイリアス
モデルのエイリアス
Ailoot Ultra mistralai/voxtral-small-24b-2507-stt
メソッドパスのエイリアス
上記に表示されたメソッドパスを使用してください。
関連する呼び出し用ID
FAQ · Mistral: Voxtral Small 24B 2507 STT
- 利用できる入力と結果は何ですか？
POST /v1/audio/transcriptions·mistralai/voxtral-small-24b-2507-stt:audio→text- リクエストはどの項目を使用しますか？
POST /v1/audio/transcriptions·mistralai/voxtral-small-24b-2507-stt:model,input_audio,language,temperature,response_format,timestamp_granularities,provider- どの制限が適用されますか？
POST /v1/audio/transcriptions·mistralai/voxtral-small-24b-2507-stt:temperature.minimum:0;temperature.maximum:1