Voxtral Small 1.0 24B 2507 menambah input audio dan pemahaman pertuturan kepada teras model bahasa Mistral Small. Ia menerima audio dan teks serta mengembalikan teks, termasuk transkrip, jawapan tentang rakaman, terjemahan atau ringkasan berstruktur. Ini ialah edisi pemahaman pertuturan 24B yang dinamakan, berbeza daripada Voxtral Mini, varian perkhidmatan yang dioptimumkan untuk transkripsi dan keluaran penjanaan pertuturan atau masa nyata Voxtral yang kemudian.
Transkripsi dan pemahaman audio
Model mempunyai mod transkripsi tulen khusus. Pembuat menyatakan bahawa ia meramal bahasa audio sumber secara automatik secara lalai dan mentranskripsikannya mengikut bahasa tersebut. Gunakan mod ini apabila artifak yang diingini ialah kata-kata yang dituturkan itu sendiri dan bukannya tafsiran atau ringkasan. Kenal pasti sama ada hasil perlu mengekalkan bahasa asal atau diikuti terjemahan yang diminta secara berasingan.
Pemahaman audio membolehkan soalan ditanya secara langsung tentang rakaman, tanpa terlebih dahulu merangkaikan model pengecaman pertuturan dan model teks yang berasingan. Permintaan boleh bertanya topik yang dibincangkan, keputusan yang dinyatakan atau maklumat dalam rakaman yang menjawab soalan tertentu. Hasilnya boleh berupa respons ringkas atau ringkasan tersusun, dan bukannya transkrip penuh setiap perkataan yang dituturkan.
Untuk ringkasan mesyuarat, berikan rakaman dan takrifkan medan yang perlu dikembalikan: topik, keputusan yang dinyatakan secara jelas dan tindakan susulan. Minta nama atau tarikh hanya apabila rakaman benar-benar menyatakannya, dan kekalkan butiran yang belum diselesaikan secara berasingan daripada keputusan. Untuk temu bual, minta jawapan kepada soalan tertentu dan konteks sekeliling yang menjadikannya boleh difahami. Reka bentuk output ini menghubungkan tugas audio kepada dokumen yang boleh digunakan seseorang selepas itu.
Konteks, tempoh dan bahasa
Pembuat mendokumentasikan konteks 32k token dan audio sehingga 30 minit untuk transkripsi, atau 40 minit untuk pemahaman. Kedua-dua angka tempoh mempunyai skop tugas yang berbeza. Pilih operasi yang diingini sebelum memilih rakaman, dan sertakan arahan teks serta perbualan semasa merancang konteks yang tersedia. Rakaman panjang dan jawapan bertulis panjang kedua-duanya menggunakan sumber; pernyataan tempoh bukan janji panjang jawapan tanpa had yang berasingan.
Keluaran ini mengenal pasti bahasa Inggeris, Sepanyol, Perancis, Portugis, Hindi, Jerman, Belanda dan Itali antara bahasa utama yang disokong serta menyediakan pengesanan bahasa automatik. Untuk terjemahan pertuturan, tetapkan bahasa akhir dan sebarang istilah yang perlu mengekalkan bentuk asalnya. Untuk soalan tentang audio dalam satu bahasa, bezakan bahasa rakaman daripada bahasa jawapan yang perlu ditulis.
Berbilang rakaman dan soalan susulan
Kad model menyokong beberapa input audio dalam satu mesej dan audio dalam berbilang giliran pengguna. Berikan setiap rakaman pengecam dan nyatakan peranannya semasa membandingkannya. Permintaan praktikal mungkin membandingkan dua versi penjelasan lisan, bertanya syarat yang berubah dan mengembalikan jadual dengan lajur berasingan untuk setiap rakaman. Pengecam membantu memastikan dapatan model dikaitkan dengan sumber yang betul.
Soalan susulan boleh mengekalkan soalan dan jawapan terdahulu sambil meminta butiran yang lebih sempit atau membekalkan rakaman lain. Contohnya, terlebih dahulu minta keputusan daripada perbincangan, kemudian tanya keputusan yang berkaitan dengan keperluan tertentu. Keluaran yang sama turut menunjukkan permintaan teks sahaja dan audio sahaja. Teras teksnya boleh bekerja pada soalan atau hasil bertulis, manakala keupayaan audio membekalkan bukti daripada pertuturan.
Fungsi berpandukan suara
Pembuat menerangkan panggilan fungsi daripada niat yang dituturkan dan melabelkan contoh panggilan fungsi dalam kad yang dikeluarkan sebagai sokongan eksperimen. Dalam aliran kerja ini, aplikasi mentakrifkan fungsi dan argumennya, model menyediakan panggilan daripada permintaan, dan aplikasi melaksanakannya serta membekalkan hasil. Oleh itu, carian berasaskan suara boleh mengembalikan jawapan bertulis menggunakan maklumat daripada alat yang disambungkan. Panggilan fungsi tidak bermakna model secara automatik memiliki perkhidmatan luaran atau melakukan tindakan hanya dengan menamakannya.
Pastikan tujuan fungsi dan maklumat yang diperlukan jelas. Jika rakaman meminta operasi tetapi tidak menyertakan nilai wajib, aplikasi masih memerlukan nilai itu untuk melaksanakan fungsi. Pisahkan permintaan yang dituturkan, argumen yang dicadangkan dan hasil yang dikembalikan supaya respons seterusnya boleh merujuk hasil operasi sebenar.
Tetapan yang disyorkan dan batas yang berguna
Untuk pemahaman audio dan pelengkapan sembang, kad model mengesyorkan suhu 0.2 dan top-p 0.95. Untuk transkripsi, ia mengesyorkan suhu 0.0. Ia menyatakan secara jelas bahawa prom sistem tidak disokong dalam aliran penggunaan yang dikeluarkan ini, jadi letakkan tugas dan keperluan respons dalam input pengguna dan jangan pindahkan konvensyen prom sistem daripada model Mistral lain.
Pilih rakaman yang mengandungi bahan berkaitan dengan soalan, pastikan pertuturan yang dapat didengar jelas dan nyatakan sama ada hasil perlu berupa transkrip, terjemahan, jawapan atau ringkasan. Output yang didokumentasikan ialah teks. Respons lisan memerlukan komponen teks kepada pertuturan, dan pengecaman penutur, diarisasi terperinci atau cap masa peringkat perkataan tidak patut disimpulkan daripada dakwaan pemahaman audio umum untuk keluaran khusus ini.
Contoh penjanaan 500 token dalam kad model ialah tetapan contoh, bukannya kapasiti output maksimum yang dinyatakan secara berasingan. Kekalkan edisi 2507, panduan tempoh khusus tugas dan bahasa input semasa menyediakan aliran kerja yang boleh diulang. Artifak akhir yang berguna ialah teks yang diminta, dihubungkan dengan rakaman dan diformatkan untuk langkah dokumen atau aplikasi seterusnya.
", "aboutText": "Voxtral Small 1.0 24B 2507 menambah input audio dan pemahaman pertuturan kepada teras model bahasa Mistral Small. Ia menerima audio dan teks serta mengembalikan teks, termasuk transkrip, jawapan tentang rakaman, terjemahan atau ringkasan berstruktur. Ini ialah edisi pemahaman pertuturan 24B yang dinamakan, berbeza daripada Voxtral Mini, varian perkhidmatan yang dioptimumkan untuk transkripsi dan keluaran penjanaan pertuturan atau masa nyata Voxtral yang kemudian.\n\nTranskripsi dan pemahaman audio\n\nModel mempunyai mod transkripsi tulen khusus. Pembuat menyatakan bahawa ia meramal bahasa audio sumber secara automatik secara lalai dan mentranskripsikannya mengikut bahasa tersebut. Gunakan mod ini apabila artifak yang diingini ialah kata-kata yang dituturkan itu sendiri dan bukannya tafsiran atau ringkasan. Kenal pasti sama ada hasil perlu mengekalkan bahasa asal atau diikuti terjemahan yang diminta secara berasingan.\n\nPemahaman audio membolehkan soalan ditanya secara langsung tentang rakaman, tanpa terlebih dahulu merangkaikan model pengecaman pertuturan dan model teks yang berasingan. Permintaan boleh bertanya topik yang dibincangkan, keputusan yang dinyatakan atau maklumat dalam rakaman yang menjawab soalan tertentu. Hasilnya boleh berupa respons ringkas atau ringkasan tersusun, dan bukannya transkrip penuh setiap perkataan yang dituturkan.\n\nUntuk ringkasan mesyuarat, berikan rakaman dan takrifkan medan yang perlu dikembalikan: topik, keputusan yang dinyatakan secara jelas dan tindakan susulan. Minta nama atau tarikh hanya apabila rakaman benar-benar menyatakannya, dan kekalkan butiran yang belum diselesaikan secara berasingan daripada keputusan. Untuk temu bual, minta jawapan kepada soalan tertentu dan konteks sekeliling yang menjadikannya boleh difahami. Reka bentuk output ini menghubungkan tugas audio kepada dokumen yang boleh digunakan seseorang selepas itu.\n\nKonteks, tempoh dan bahasa\n\nPembuat mendokumentasikan konteks 32k token dan audio sehingga 30 minit untuk transkripsi, atau 40 minit untuk pemahaman. Kedua-dua angka tempoh mempunyai skop tugas yang berbeza. Pilih operasi yang diingini sebelum memilih rakaman, dan sertakan arahan teks serta perbualan semasa merancang konteks yang tersedia. Rakaman panjang dan jawapan bertulis panjang kedua-duanya menggunakan sumber; pernyataan tempoh bukan janji panjang jawapan tanpa had yang berasingan.\n\nKeluaran ini mengenal pasti bahasa Inggeris, Sepanyol, Perancis, Portugis, Hindi, Jerman, Belanda dan Itali antara bahasa utama yang disokong serta menyediakan pengesanan bahasa automatik. Untuk terjemahan pertuturan, tetapkan bahasa akhir dan sebarang istilah yang perlu mengekalkan bentuk asalnya. Untuk soalan tentang audio dalam satu bahasa, bezakan bahasa rakaman daripada bahasa jawapan yang perlu ditulis.\n\nBerbilang rakaman dan soalan susulan\n\nKad model menyokong beberapa input audio dalam satu mesej dan audio dalam berbilang giliran pengguna. Berikan setiap rakaman pengecam dan nyatakan peranannya semasa membandingkannya. Permintaan praktikal mungkin membandingkan dua versi penjelasan lisan, bertanya syarat yang berubah dan mengembalikan jadual dengan lajur berasingan untuk setiap rakaman. Pengecam membantu memastikan dapatan model dikaitkan dengan sumber yang betul.\n\nSoalan susulan boleh mengekalkan soalan dan jawapan terdahulu sambil meminta butiran yang lebih sempit atau membekalkan rakaman lain. Contohnya, terlebih dahulu minta keputusan daripada perbincangan, kemudian tanya keputusan yang berkaitan dengan keperluan tertentu. Keluaran yang sama turut menunjukkan permintaan teks sahaja dan audio sahaja. Teras teksnya boleh bekerja pada soalan atau hasil bertulis, manakala keupayaan audio membekalkan bukti daripada pertuturan.\n\nFungsi berpandukan suara\n\nPembuat menerangkan panggilan fungsi daripada niat yang dituturkan dan melabelkan contoh panggilan fungsi dalam kad yang dikeluarkan sebagai sokongan eksperimen. Dalam aliran kerja ini, aplikasi mentakrifkan fungsi dan argumennya, model menyediakan panggilan daripada permintaan, dan aplikasi melaksanakannya serta membekalkan hasil. Oleh itu, carian berasaskan suara boleh mengembalikan jawapan bertulis menggunakan maklumat daripada alat yang disambungkan. Panggilan fungsi tidak bermakna model secara automatik memiliki perkhidmatan luaran atau melakukan tindakan hanya dengan menamakannya.\n\nPastikan tujuan fungsi dan maklumat yang diperlukan jelas. Jika rakaman meminta operasi tetapi tidak menyertakan nilai wajib, aplikasi masih memerlukan nilai itu untuk melaksanakan fungsi. Pisahkan permintaan yang dituturkan, argumen yang dicadangkan dan hasil yang dikembalikan supaya respons seterusnya boleh merujuk hasil operasi sebenar.\n\nTetapan yang disyorkan dan batas yang berguna\n\nUntuk pemahaman audio dan pelengkapan sembang, kad model mengesyorkan suhu 0.2 dan top-p 0.95. Untuk transkripsi, ia mengesyorkan suhu 0.0. Ia menyatakan secara jelas bahawa prom sistem tidak disokong dalam aliran penggunaan yang dikeluarkan ini, jadi letakkan tugas dan keperluan respons dalam input pengguna dan jangan pindahkan konvensyen prom sistem daripada model Mistral lain.\n\nPilih rakaman yang mengandungi bahan berkaitan dengan soalan, pastikan pertuturan yang dapat didengar jelas dan nyatakan sama ada hasil perlu berupa transkrip, terjemahan, jawapan atau ringkasan. Output yang didokumentasikan ialah teks. Respons lisan memerlukan komponen teks kepada pertuturan, dan pengecaman penutur, diarisasi terperinci atau cap masa peringkat perkataan tidak patut disimpulkan daripada dakwaan pemahaman audio umum untuk keluaran khusus ini.\n\nContoh penjanaan 500 token dalam kad model ialah tetapan contoh, bukannya kapasiti output maksimum yang dinyatakan secara berasingan. Kekalkan edisi 2507, panduan tempoh khusus tugas dan bahasa input semasa menyediakan aliran kerja yang boleh diulang. Artifak akhir yang berguna ialah teks yang diminta, dihubungkan dengan rakaman dan diformatkan untuk langkah dokumen atau aplikasi seterusnya.", "editorialOverlay": { "copy_fields": { "practical_html": "Contoh teknikal dalam bahasa Inggeris
Summarize a supplied meeting transcript\n\nSummarize this supplied transcript text: 'Ana: We will keep the current label. Ben: I will check the revised barcode by Tuesday. Ana: Shipping timing is still unconfirmed. Ben: Agreed.' Return topics, explicit decisions and follow-up actions. Separate the unresolved shipping date from decisions, and include owners or deadlines only when stated in the transcript.A meeting summary with topics, one decision, an owned action and an unresolved timing item.Check that keeping the label is the decision and shipping timing remains unconfirmed.mistralai/voxtral-small-24b-2507Voxtral Small 1.0 24B 2507 ialah model teks dan audio untuk transkripsi, terjemahan pertuturan, soalan dan ringkasan. Pembuat mendokumentasikan konteks 32k, sehingga 30 minit untuk transkripsi atau 40 minit untuk pemahaman, berbilang input audio dan hasil teks.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Voxtral Small 1.0 24B 2507 menambah input audio dan pemahaman pertuturan kepada teras model bahasa Mistral Small. Ia menerima audio dan teks serta mengembalikan teks, termasuk transkrip, jawapan tentang rakaman, terjemahan atau ringkasan berstruktur. Ini ialah edisi pemahaman pertuturan 24B yang dinamakan, berbeza daripada Voxtral Mini, varian perkhidmatan yang dioptimumkan untuk transkripsi dan keluaran penjanaan pertuturan atau masa nyata Voxtral yang kemudian.
Transkripsi dan pemahaman audio
Model mempunyai mod transkripsi tulen khusus. Pembuat menyatakan bahawa ia meramal bahasa audio sumber secara automatik secara lalai dan mentranskripsikannya mengikut bahasa tersebut. Gunakan mod ini apabila artifak yang diingini ialah kata-kata yang dituturkan itu sendiri dan bukannya tafsiran atau ringkasan. Kenal pasti sama ada hasil perlu mengekalkan bahasa asal atau diikuti terjemahan yang diminta secara berasingan.
Pemahaman audio membolehkan soalan ditanya secara langsung tentang rakaman, tanpa terlebih dahulu merangkaikan model pengecaman pertuturan dan model teks yang berasingan. Permintaan boleh bertanya topik yang dibincangkan, keputusan yang dinyatakan atau maklumat dalam rakaman yang menjawab soalan tertentu. Hasilnya boleh berupa respons ringkas atau ringkasan tersusun, dan bukannya transkrip penuh setiap perkataan yang dituturkan.
Untuk ringkasan mesyuarat, berikan rakaman dan takrifkan medan yang perlu dikembalikan: topik, keputusan yang dinyatakan secara jelas dan tindakan susulan. Minta nama atau tarikh hanya apabila rakaman benar-benar menyatakannya, dan kekalkan butiran yang belum diselesaikan secara berasingan daripada keputusan. Untuk temu bual, minta jawapan kepada soalan tertentu dan konteks sekeliling yang menjadikannya boleh difahami. Reka bentuk output ini menghubungkan tugas audio kepada dokumen yang boleh digunakan seseorang selepas itu.
Konteks, tempoh dan bahasa
Pembuat mendokumentasikan konteks 32k token dan audio sehingga 30 minit untuk transkripsi, atau 40 minit untuk pemahaman. Kedua-dua angka tempoh mempunyai skop tugas yang berbeza. Pilih operasi yang diingini sebelum memilih rakaman, dan sertakan arahan teks serta perbualan semasa merancang konteks yang tersedia. Rakaman panjang dan jawapan bertulis panjang kedua-duanya menggunakan sumber; pernyataan tempoh bukan janji panjang jawapan tanpa had yang berasingan.
Keluaran ini mengenal pasti bahasa Inggeris, Sepanyol, Perancis, Portugis, Hindi, Jerman, Belanda dan Itali antara bahasa utama yang disokong serta menyediakan pengesanan bahasa automatik. Untuk terjemahan pertuturan, tetapkan bahasa akhir dan sebarang istilah yang perlu mengekalkan bentuk asalnya. Untuk soalan tentang audio dalam satu bahasa, bezakan bahasa rakaman daripada bahasa jawapan yang perlu ditulis.
Berbilang rakaman dan soalan susulan
Kad model menyokong beberapa input audio dalam satu mesej dan audio dalam berbilang giliran pengguna. Berikan setiap rakaman pengecam dan nyatakan peranannya semasa membandingkannya. Permintaan praktikal mungkin membandingkan dua versi penjelasan lisan, bertanya syarat yang berubah dan mengembalikan jadual dengan lajur berasingan untuk setiap rakaman. Pengecam membantu memastikan dapatan model dikaitkan dengan sumber yang betul.
Soalan susulan boleh mengekalkan soalan dan jawapan terdahulu sambil meminta butiran yang lebih sempit atau membekalkan rakaman lain. Contohnya, terlebih dahulu minta keputusan daripada perbincangan, kemudian tanya keputusan yang berkaitan dengan keperluan tertentu. Keluaran yang sama turut menunjukkan permintaan teks sahaja dan audio sahaja. Teras teksnya boleh bekerja pada soalan atau hasil bertulis, manakala keupayaan audio membekalkan bukti daripada pertuturan.
Fungsi berpandukan suara
Pembuat menerangkan panggilan fungsi daripada niat yang dituturkan dan melabelkan contoh panggilan fungsi dalam kad yang dikeluarkan sebagai sokongan eksperimen. Dalam aliran kerja ini, aplikasi mentakrifkan fungsi dan argumennya, model menyediakan panggilan daripada permintaan, dan aplikasi melaksanakannya serta membekalkan hasil. Oleh itu, carian berasaskan suara boleh mengembalikan jawapan bertulis menggunakan maklumat daripada alat yang disambungkan. Panggilan fungsi tidak bermakna model secara automatik memiliki perkhidmatan luaran atau melakukan tindakan hanya dengan menamakannya.
Pastikan tujuan fungsi dan maklumat yang diperlukan jelas. Jika rakaman meminta operasi tetapi tidak menyertakan nilai wajib, aplikasi masih memerlukan nilai itu untuk melaksanakan fungsi. Pisahkan permintaan yang dituturkan, argumen yang dicadangkan dan hasil yang dikembalikan supaya respons seterusnya boleh merujuk hasil operasi sebenar.
Tetapan yang disyorkan dan batas yang berguna
Untuk pemahaman audio dan pelengkapan sembang, kad model mengesyorkan suhu 0.2 dan top-p 0.95. Untuk transkripsi, ia mengesyorkan suhu 0.0. Ia menyatakan secara jelas bahawa prom sistem tidak disokong dalam aliran penggunaan yang dikeluarkan ini, jadi letakkan tugas dan keperluan respons dalam input pengguna dan jangan pindahkan konvensyen prom sistem daripada model Mistral lain.
Pilih rakaman yang mengandungi bahan berkaitan dengan soalan, pastikan pertuturan yang dapat didengar jelas dan nyatakan sama ada hasil perlu berupa transkrip, terjemahan, jawapan atau ringkasan. Output yang didokumentasikan ialah teks. Respons lisan memerlukan komponen teks kepada pertuturan, dan pengecaman penutur, diarisasi terperinci atau cap masa peringkat perkataan tidak patut disimpulkan daripada dakwaan pemahaman audio umum untuk keluaran khusus ini.
Contoh penjanaan 500 token dalam kad model ialah tetapan contoh, bukannya kapasiti output maksimum yang dinyatakan secara berasingan. Kekalkan edisi 2507, panduan tempoh khusus tugas dan bahasa input semasa menyediakan aliran kerja yang boleh diulang. Artifak akhir yang berguna ialah teks yang diminta, dihubungkan dengan rakaman dan diformatkan untuk langkah dokumen atau aplikasi seterusnya.
POST /v1/chat/completionstexttext| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had mistralai/voxtral-small-24b-2507 | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had Item minimum: 1 | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had Contoh: system, user, assistant, tool, function Syarat: Peranan ini diwakili secara eksplisit oleh jenis keserasian dalam kod sumber; set peranan model yang tepat kekal khusus untuk setiap model. Bergantung pada model | Lalai— |
Medanmessages[].content | Jenisstring|content_part[]|null | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_calls | Jenistool_call[] | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].tool_call_id | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: role=tool; gunakan ID sebenar yang dipulangkan | Lalai— |
Medanmessages[].name | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medanmessages[].reasoning_content | Jenisstring | KeperluanPilihan | Nilai & had Terpakai apabila: Hantar semula penaakulan sebenar yang dipulangkan apabila model ini menggunakannya | Lalai— |
Medanmessages[].reasoning_details | Jenisobject|array | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanmax_completion_tokens | Jenisinteger | KeperluanPilihan | Nilai & had Minimum: 1 Bergantung pada model | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Medanstream_options.include_usage | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantemperature | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantop_p | Jenisnumber | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanstop | Jenisstring|string[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools | Jenisfunction_tool[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medantools[].type | Jenisstring | KeperluanPilihan | Nilai & had function Bergantung pada model | Lalai— |
Medantools[].function.name | Jenisstring | KeperluanDiperlukan | Nilai & had Terpakai apabila: alat fungsi dibekalkan | Lalai— |
Medantools[].function.description | Jenisstring | KeperluanPilihan | Nilai & had | Lalai— |
Medantools[].function.parameters | JenisJSON_schema | KeperluanPilihan | Nilai & had | Lalai— |
Medantool_choice | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanparallel_tool_calls | Jenisboolean | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanresponse_format | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning_effort | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanreasoning | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanservice_tier | Jenisstring | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medaninstructions | Jenisstring | KeperluanPilihan | Nilai & had Medan keserasian | Lalai— |
Medanfunctions | Jenisfunction[] | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanfunction_call | Jenisstring|object | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanprompt_cache_options | Jenisobject | KeperluanPilihan | Nilai & had Bergantung pada model | Lalai— |
Medanmodalities | Jenisstring[] | KeperluanPilihan | Nilai & had text | Lalai— |
Medanprovider | Jenisobject | KeperluanPilihan | Nilai & had Syarat: provider.options ditolak pada laluan teks Ultra ini | Lalai— |
Medancache_control.ttl | Jenisstring | KeperluanPilihan | Nilai & had Syarat: 1h ditolak pada lokasi cache prompt yang digunakan | Lalai— |
Teks · Teks UTF8
messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages |
Parametermaterial_types | Kontraktext |
Parametermessages | Kontraktatasusunan mesej dengan struktur role/content |
Parameterfile_material | Kontrakdokumen UTF-8 sebenar dimasukkan sebagai teks literal; ID fail tidak diandaikan |
Parameteroptional_controls | Kontrakstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontrakkhusus model; alat fungsi pengguna berbeza daripada alat yang dihoskan |
Parameteroutput_modalities | Kontraktext |
Parameterhosted_operations | Kontrakfalse |
Parametermultimodal_input_binding | Kontraknull |
Kitar hayat: synchronous_or_streamed
Hantar ID model yang tepat bersama messages.
Panjang konteks bukan had output.
Fail teks boleh membekalkan teks literal; input imej/audio/objek fail memerlukan pengikatan tepat.
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0002 / 1K token Output · Token output $0.0006 / 1K token Input · Bacaan cache $0.00002 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0002 / 1K token Output · Token output $0.0006 / 1K token Input · Bacaan cache $0.00002 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/voxtral-small-24b-2507", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/voxtral-small-24b-2507',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/voxtral-small-24b-2507',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan setiap pilihan jawapan bersama kandungan, panggilan alat dan penaakulannya. Dalam SSE, gabungkan delta mengikut indeks pilihan jawapan/alat dan kekalkan sebab penamatan akhir serta data penggunaan.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanchoices[].index | Jenisinteger |
Medanchoices[].message.content | Jenisstring|null |
Medanchoices[].message.tool_calls | Jenistool_call[] |
Medanchoices[].message.reasoning_content | Jenisstring |
Medanchoices[].message.reasoning_details | Jenisobject|array |
Medanchoices[].finish_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra mistralai/voxtral-small-24b-2507
Gunakan laluan kaedah yang dipaparkan di atas.
mistralai/voxtral-small-24b-2507Voxtral Small 1.0 24B 2507 ialah model teks dan audio untuk transkripsi, terjemahan pertuturan, soalan dan ringkasan. Pembuat mendokumentasikan konteks 32k, sehingga 30 minit untuk transkripsi atau 40 minit untuk pemahaman, berbilang input audio dan hasil teks.
Huraian ini merangkumi keupayaan model. Input, output dan pilihan yang tersedia di Ailoot disenaraikan di bawah untuk kaedah yang dipilih.
Voxtral Small 1.0 24B 2507 menambah input audio dan pemahaman pertuturan kepada teras model bahasa Mistral Small. Ia menerima audio dan teks serta mengembalikan teks, termasuk transkrip, jawapan tentang rakaman, terjemahan atau ringkasan berstruktur. Ini ialah edisi pemahaman pertuturan 24B yang dinamakan, berbeza daripada Voxtral Mini, varian perkhidmatan yang dioptimumkan untuk transkripsi dan keluaran penjanaan pertuturan atau masa nyata Voxtral yang kemudian.
Transkripsi dan pemahaman audio
Model mempunyai mod transkripsi tulen khusus. Pembuat menyatakan bahawa ia meramal bahasa audio sumber secara automatik secara lalai dan mentranskripsikannya mengikut bahasa tersebut. Gunakan mod ini apabila artifak yang diingini ialah kata-kata yang dituturkan itu sendiri dan bukannya tafsiran atau ringkasan. Kenal pasti sama ada hasil perlu mengekalkan bahasa asal atau diikuti terjemahan yang diminta secara berasingan.
Pemahaman audio membolehkan soalan ditanya secara langsung tentang rakaman, tanpa terlebih dahulu merangkaikan model pengecaman pertuturan dan model teks yang berasingan. Permintaan boleh bertanya topik yang dibincangkan, keputusan yang dinyatakan atau maklumat dalam rakaman yang menjawab soalan tertentu. Hasilnya boleh berupa respons ringkas atau ringkasan tersusun, dan bukannya transkrip penuh setiap perkataan yang dituturkan.
Untuk ringkasan mesyuarat, berikan rakaman dan takrifkan medan yang perlu dikembalikan: topik, keputusan yang dinyatakan secara jelas dan tindakan susulan. Minta nama atau tarikh hanya apabila rakaman benar-benar menyatakannya, dan kekalkan butiran yang belum diselesaikan secara berasingan daripada keputusan. Untuk temu bual, minta jawapan kepada soalan tertentu dan konteks sekeliling yang menjadikannya boleh difahami. Reka bentuk output ini menghubungkan tugas audio kepada dokumen yang boleh digunakan seseorang selepas itu.
Konteks, tempoh dan bahasa
Pembuat mendokumentasikan konteks 32k token dan audio sehingga 30 minit untuk transkripsi, atau 40 minit untuk pemahaman. Kedua-dua angka tempoh mempunyai skop tugas yang berbeza. Pilih operasi yang diingini sebelum memilih rakaman, dan sertakan arahan teks serta perbualan semasa merancang konteks yang tersedia. Rakaman panjang dan jawapan bertulis panjang kedua-duanya menggunakan sumber; pernyataan tempoh bukan janji panjang jawapan tanpa had yang berasingan.
Keluaran ini mengenal pasti bahasa Inggeris, Sepanyol, Perancis, Portugis, Hindi, Jerman, Belanda dan Itali antara bahasa utama yang disokong serta menyediakan pengesanan bahasa automatik. Untuk terjemahan pertuturan, tetapkan bahasa akhir dan sebarang istilah yang perlu mengekalkan bentuk asalnya. Untuk soalan tentang audio dalam satu bahasa, bezakan bahasa rakaman daripada bahasa jawapan yang perlu ditulis.
Berbilang rakaman dan soalan susulan
Kad model menyokong beberapa input audio dalam satu mesej dan audio dalam berbilang giliran pengguna. Berikan setiap rakaman pengecam dan nyatakan peranannya semasa membandingkannya. Permintaan praktikal mungkin membandingkan dua versi penjelasan lisan, bertanya syarat yang berubah dan mengembalikan jadual dengan lajur berasingan untuk setiap rakaman. Pengecam membantu memastikan dapatan model dikaitkan dengan sumber yang betul.
Soalan susulan boleh mengekalkan soalan dan jawapan terdahulu sambil meminta butiran yang lebih sempit atau membekalkan rakaman lain. Contohnya, terlebih dahulu minta keputusan daripada perbincangan, kemudian tanya keputusan yang berkaitan dengan keperluan tertentu. Keluaran yang sama turut menunjukkan permintaan teks sahaja dan audio sahaja. Teras teksnya boleh bekerja pada soalan atau hasil bertulis, manakala keupayaan audio membekalkan bukti daripada pertuturan.
Fungsi berpandukan suara
Pembuat menerangkan panggilan fungsi daripada niat yang dituturkan dan melabelkan contoh panggilan fungsi dalam kad yang dikeluarkan sebagai sokongan eksperimen. Dalam aliran kerja ini, aplikasi mentakrifkan fungsi dan argumennya, model menyediakan panggilan daripada permintaan, dan aplikasi melaksanakannya serta membekalkan hasil. Oleh itu, carian berasaskan suara boleh mengembalikan jawapan bertulis menggunakan maklumat daripada alat yang disambungkan. Panggilan fungsi tidak bermakna model secara automatik memiliki perkhidmatan luaran atau melakukan tindakan hanya dengan menamakannya.
Pastikan tujuan fungsi dan maklumat yang diperlukan jelas. Jika rakaman meminta operasi tetapi tidak menyertakan nilai wajib, aplikasi masih memerlukan nilai itu untuk melaksanakan fungsi. Pisahkan permintaan yang dituturkan, argumen yang dicadangkan dan hasil yang dikembalikan supaya respons seterusnya boleh merujuk hasil operasi sebenar.
Tetapan yang disyorkan dan batas yang berguna
Untuk pemahaman audio dan pelengkapan sembang, kad model mengesyorkan suhu 0.2 dan top-p 0.95. Untuk transkripsi, ia mengesyorkan suhu 0.0. Ia menyatakan secara jelas bahawa prom sistem tidak disokong dalam aliran penggunaan yang dikeluarkan ini, jadi letakkan tugas dan keperluan respons dalam input pengguna dan jangan pindahkan konvensyen prom sistem daripada model Mistral lain.
Pilih rakaman yang mengandungi bahan berkaitan dengan soalan, pastikan pertuturan yang dapat didengar jelas dan nyatakan sama ada hasil perlu berupa transkrip, terjemahan, jawapan atau ringkasan. Output yang didokumentasikan ialah teks. Respons lisan memerlukan komponen teks kepada pertuturan, dan pengecaman penutur, diarisasi terperinci atau cap masa peringkat perkataan tidak patut disimpulkan daripada dakwaan pemahaman audio umum untuk keluaran khusus ini.
Contoh penjanaan 500 token dalam kad model ialah tetapan contoh, bukannya kapasiti output maksimum yang dinyatakan secara berasingan. Kekalkan edisi 2507, panduan tempoh khusus tugas dan bahasa input semasa menyediakan aliran kerja yang boleh diulang. Artifak akhir yang berguna ialah teks yang diminta, dihubungkan dengan rakaman dan diformatkan untuk langkah dokumen atau aplikasi seterusnya.
POST /v1/messagestextjson, sse| Medan | Jenis | Keperluan | Nilai & had | Lalai |
|---|---|---|---|---|
Medanmodel | Jenisstring | KeperluanDiperlukan | Nilai & had mistralai/voxtral-small-24b-2507 | Lalai— |
Medanmessages | Jenismessage[] | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmessages[].role | Jenisstring | KeperluanDiperlukan | Nilai & had user, assistant | Lalai— |
Medanmessages[].content | Jenisstring | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanmax_tokens | Jenisinteger | KeperluanDiperlukan | Nilai & had | Lalai— |
Medanstream | Jenisboolean | KeperluanPilihan | Nilai & had | Lalaifalse |
Teks · Teks UTF-8
rentetan messages[].content
| Parameter | Kontrak |
|---|---|
Parametercontent_type | Kontrakapplication/json |
Parameterrequired | Kontrakmodel, messages, max_tokens |
Parameteroptional_controls | Kontrakstream |
Parametermaterial_types | Kontraktext |
Parametertext_file_material | KontrakBaca dokumen UTF-8 sebenar dan letakkan teksnya dalam rentetan input atau kandungan mesej yang ditunjukkan. |
Kitar hayat: synchronous_or_streamed
Rujukan tarif tidak menambah pilihan permintaan. Parameter yang disokong disenaraikan untuk kaedah yang dipilih.
Padankan setiap caj dengan syarat yang dipaparkan. Gunakan satu kadar bagi setiap set konfigurasi alternatif.
| Konfigurasi | Jadual kadar | Token konteks, melebihi | Token konteks, sehingga dan termasuk | Caj |
|---|---|---|---|---|
| KonfigurasiKadar asas token | Jadual kadarKadar asas | Token konteks, melebihi— | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0002 / 1K token Output · Token output $0.0006 / 1K token Input · Bacaan cache $0.00002 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
| KonfigurasiTahap panjang permintaan 1 | Jadual kadar— | Token konteks, melebihi0 | Token konteks, sehingga dan termasukTiada had atas | Caj Input · Token input $0.0002 / 1K token Output · Token output $0.0006 / 1K token Input · Bacaan cache $0.00002 / 1K token Input · Penulisan cache — / 1K token Input · Penulisan cache, 1 jam — / 1K token |
Ailoot merizabkan anggaran amaun sebelum permintaan. Selepas hasil diterima, caj akhir diselesaikan berdasarkan penggunaan terukur. Penyelesaian caj penstriman menggunakan rekod penggunaan akhir. Cara rizab dan penyelesaian caj berfungsi →
{\n "model": "mistralai/voxtral-small-24b-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/voxtral-small-24b-2507', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/voxtral-small-24b-2507', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON atau SSE
Simpan setiap respons lengkap, fail dan bahagian kandungan yang dikembalikan.
Kekalkan semua blok kandungan, tandatangan penaakulan dan ID penggunaan alat sebenar. Gabungkan semua delta blok SSE; blok teks pertama bukan keseluruhan output.
Kekalkan ID permintaan/respons dan pengepala. Tiada URL umum bagi pengambilan tugas teks dibekalkan.
| Medan | Jenis |
|---|---|
Medanid | Jenisstring |
Medanmodel | Jenisstring |
Medancontent[] | Jenistext|thinking|tool_use|other content block |
Medanstop_reason | Jenisstring|null |
Medanusage | Jenisobject |
| Respons | Syarat | Langkah seterusnya |
|---|---|---|
Respons400 · invalid_request_error | SyaratMedan wajib, perwakilan bahan atau nilai parameter tidak sah | Langkah seterusnyaBetulkan medan yang ditunjukkan sebelum permintaan penciptaan baharu. |
Ailoot Ultra mistralai/voxtral-small-24b-2507
Gunakan laluan kaedah yang dipaparkan di atas.
Contoh teknikal dalam bahasa Inggeris
Summarize a supplied meeting transcript\n\nSummarize this supplied transcript text: 'Ana: We will keep the current label. Ben: I will check the revised barcode by Tuesday. Ana: Shipping timing is still unconfirmed. Ben: Agreed.' Return topics, explicit decisions and follow-up actions. Separate the unresolved shipping date from decisions, and include owners or deadlines only when stated in the transcript.A meeting summary with topics, one decision, an owned action and an unresolved timing item.Check that keeping the label is the decision and shipping timing remains unconfirmed.