Voxtral Mini 1.0 3B 2507 to kompaktowy model rozumienia tekstu i dźwięku firmy Mistral AI, zbudowany na rodzinie modeli językowych Ministral 3B. Przyjmuje nagrania mowy i instrukcje tekstowe oraz generuje tekst, w tym transkrypcje, tłumaczenia, odpowiedzi dotyczące nagrania i uporządkowane podsumowania. Oryginalne wydanie Voxtral pozycjonuje ten model 3B do kompaktowych lub lokalnych aplikacji, obok osobnego modelu Voxtral Small 24B. Jest też odrębny od udostępnianej usługi Voxtral Mini Transcribe zoptymalizowanej do transkrypcji.
Model ma dedykowany tryb transkrypcji, który domyślnie automatycznie przewiduje język źródła i odpowiednio je transkrybuje. Wybierz ten tryb, gdy wymaganym artefaktem jest wypowiedziane brzmienie. Rozumienie dźwięku pozwala natomiast na bezpośrednie pytanie lub prośbę o podsumowanie nagrania, bez wymagania osobnego etapu rozpoznawania mowy, po którym następuje model tekstowy. Wywiad może więc dać pełną transkrypcję, tłumaczenie lub odpowiedź na wąskie pytanie; określ potrzebny wynik, aby te różne zadania nie stały się jednym niejednoznacznym opisem.
Karta konkretnego wydania podaje kontekst o wielkości 32 tys. tokenów i nagrania do 30 minut dla transkrypcji lub 40 minut dla rozumienia. Są to różne stwierdzenia dotyczące czasu trwania zależne od zadania, a nie wspólny limit audio dla każdej operacji. Utrzymuj istotne nagranie, instrukcje i rozmowę w zamierzonym zakresie zadania. Języki wymienione przez producenta to angielski, hiszpański, francuski, portugalski, hindi, niemiecki, niderlandzki i włoski, z automatycznym wykrywaniem języka. Dla tłumaczenia lub odpowiedzi odróżnij język nagrania od wymaganego języka wyjścia.
Obsługiwane jest kilka wejść audio w wiadomości oraz dźwięk w wielu turach użytkownika. Nadaj każdemu nagraniu jasny identyfikator przy prośbie o porównania. Oryginalny przykład mógłby porównywać dwa wypowiedziane wyjaśnienia i zwracać zmienione wymagania, z osobną kolumną dla każdego źródła. Pytanie uzupełniające może dotyczyć szczegółu stojącego za jednym ustaleniem lub dostarczać inne nagranie. Karta demonstruje też użycie wyłącznie tekstowe i wyłącznie dźwiękowe, pozwalając modelowi pracować zarówno z pisemnym pytaniem, jak i dowodami z mowy.
Dla podsumowania spotkania dostarcz nagranie i poproś o przydatną strukturę, taką jak tematy, wypowiedziane decyzje i dalsze działania. Oddziel niepewne nazwiska, daty lub odpowiedzialności od faktów wyraźnie wypowiedzianych. Dla wywiadu poproś o stwierdzenie odpowiadające na konkretne pytanie i wystarczający kontekst, aby było zrozumiałe. Są to projekty zadań dla użytecznego artefaktu tekstowego; nie zmieniają ogólnego rozumienia dźwięku w gwarancję diarizacji, znaczników czasu słów lub identyfikacji nienazwanego mówcy.
Producent opisuje wywoływanie funkcji na podstawie wypowiedzianej intencji. W takim przepływie aplikacja dostarcza definicje funkcji, model proponuje właściwe wywołanie i argumenty, a aplikacja je wykonuje i zwraca obserwację. Żądanie głosowe może więc kierować wyszukiwaniem lub innym zadaniem wspomaganym narzędziami, ale proponowane wywołanie modelu jest odrębne od wykonanego działania. Zachowaj rzeczywisty zwrócony wynik podczas kontynuowania rozmowy, aby późniejsza odpowiedź odzwierciedlała to, co się wydarzyło, a nie to, o co poproszono.
Udostępniona karta użycia zaleca temperaturę 0.0 dla transkrypcji oraz temperaturę 0.2 z top_p 0.95 dla rozumienia dźwięku i czatu. Stwierdza, że prompty systemowe nie są obsługiwane w tym przepływie, więc umieść zadanie i wymagania odpowiedzi w wejściu użytkownika. Jej przykłady dekodują nagrania do wejść audio i obejmują materiały MP3, ale nie ustalają wyczerpującej listy kodeków ani osobnej sztywnej maksymalnej długości wyjścia. Ustawienie generowania 500 tokenów w przykładach pozostaje przykładowym budżetem.
Przygotuj czytelne nagranie zawierające materiał istotny dla zadania i określ, czy potrzebujesz oryginalnego brzmienia, tłumaczenia, odpowiedzi czy podsumowania. Karta demonstruje też wsadową inferencję z kilkoma rozmowami, będącą wzorcem użycia producenta odrębnym od tożsamości pojedynczego wyniku. Zachowaj edycję 3B 2507 i jej wskazówki czasu trwania transkrypcji względem rozumienia; diarizacja, profil 13 języków i obsługa dłuższych nagrań późniejszego modelu Mini Transcribe 2 są osobnymi funkcjami producenta.
", "aboutText": "Voxtral Mini 1.0 3B 2507 to kompaktowy model rozumienia tekstu i dźwięku firmy Mistral AI, zbudowany na rodzinie modeli językowych Ministral 3B. Przyjmuje nagrania mowy i instrukcje tekstowe oraz generuje tekst, w tym transkrypcje, tłumaczenia, odpowiedzi dotyczące nagrania i uporządkowane podsumowania. Oryginalne wydanie Voxtral pozycjonuje ten model 3B do kompaktowych lub lokalnych aplikacji, obok osobnego modelu Voxtral Small 24B. Jest też odrębny od udostępnianej usługi Voxtral Mini Transcribe zoptymalizowanej do transkrypcji.\n\nModel ma dedykowany tryb transkrypcji, który domyślnie automatycznie przewiduje język źródła i odpowiednio je transkrybuje. Wybierz ten tryb, gdy wymaganym artefaktem jest wypowiedziane brzmienie. Rozumienie dźwięku pozwala natomiast na bezpośrednie pytanie lub prośbę o podsumowanie nagrania, bez wymagania osobnego etapu rozpoznawania mowy, po którym następuje model tekstowy. Wywiad może więc dać pełną transkrypcję, tłumaczenie lub odpowiedź na wąskie pytanie; określ potrzebny wynik, aby te różne zadania nie stały się jednym niejednoznacznym opisem.\n\nKarta konkretnego wydania podaje kontekst o wielkości 32 tys. tokenów i nagrania do 30 minut dla transkrypcji lub 40 minut dla rozumienia. Są to różne stwierdzenia dotyczące czasu trwania zależne od zadania, a nie wspólny limit audio dla każdej operacji. Utrzymuj istotne nagranie, instrukcje i rozmowę w zamierzonym zakresie zadania. Języki wymienione przez producenta to angielski, hiszpański, francuski, portugalski, hindi, niemiecki, niderlandzki i włoski, z automatycznym wykrywaniem języka. Dla tłumaczenia lub odpowiedzi odróżnij język nagrania od wymaganego języka wyjścia.\n\nObsługiwane jest kilka wejść audio w wiadomości oraz dźwięk w wielu turach użytkownika. Nadaj każdemu nagraniu jasny identyfikator przy prośbie o porównania. Oryginalny przykład mógłby porównywać dwa wypowiedziane wyjaśnienia i zwracać zmienione wymagania, z osobną kolumną dla każdego źródła. Pytanie uzupełniające może dotyczyć szczegółu stojącego za jednym ustaleniem lub dostarczać inne nagranie. Karta demonstruje też użycie wyłącznie tekstowe i wyłącznie dźwiękowe, pozwalając modelowi pracować zarówno z pisemnym pytaniem, jak i dowodami z mowy.\n\nDla podsumowania spotkania dostarcz nagranie i poproś o przydatną strukturę, taką jak tematy, wypowiedziane decyzje i dalsze działania. Oddziel niepewne nazwiska, daty lub odpowiedzialności od faktów wyraźnie wypowiedzianych. Dla wywiadu poproś o stwierdzenie odpowiadające na konkretne pytanie i wystarczający kontekst, aby było zrozumiałe. Są to projekty zadań dla użytecznego artefaktu tekstowego; nie zmieniają ogólnego rozumienia dźwięku w gwarancję diarizacji, znaczników czasu słów lub identyfikacji nienazwanego mówcy.\n\nProducent opisuje wywoływanie funkcji na podstawie wypowiedzianej intencji. W takim przepływie aplikacja dostarcza definicje funkcji, model proponuje właściwe wywołanie i argumenty, a aplikacja je wykonuje i zwraca obserwację. Żądanie głosowe może więc kierować wyszukiwaniem lub innym zadaniem wspomaganym narzędziami, ale proponowane wywołanie modelu jest odrębne od wykonanego działania. Zachowaj rzeczywisty zwrócony wynik podczas kontynuowania rozmowy, aby późniejsza odpowiedź odzwierciedlała to, co się wydarzyło, a nie to, o co poproszono.\n\nUdostępniona karta użycia zaleca temperaturę 0.0 dla transkrypcji oraz temperaturę 0.2 z top_p 0.95 dla rozumienia dźwięku i czatu. Stwierdza, że prompty systemowe nie są obsługiwane w tym przepływie, więc umieść zadanie i wymagania odpowiedzi w wejściu użytkownika. Jej przykłady dekodują nagrania do wejść audio i obejmują materiały MP3, ale nie ustalają wyczerpującej listy kodeków ani osobnej sztywnej maksymalnej długości wyjścia. Ustawienie generowania 500 tokenów w przykładach pozostaje przykładowym budżetem.\n\nPrzygotuj czytelne nagranie zawierające materiał istotny dla zadania i określ, czy potrzebujesz oryginalnego brzmienia, tłumaczenia, odpowiedzi czy podsumowania. Karta demonstruje też wsadową inferencję z kilkoma rozmowami, będącą wzorcem użycia producenta odrębnym od tożsamości pojedynczego wyniku. Zachowaj edycję 3B 2507 i jej wskazówki czasu trwania transkrypcji względem rozumienia; diarizacja, profil 13 języków i obsługa dłuższych nagrań późniejszego modelu Mini Transcribe 2 są osobnymi funkcjami producenta.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f799ba4083bc544e370cf96a417e1f19d4d4ae144af98f5403787c66c9b0b234", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pl", "methods": [ { "html": "mistralai/voxtral-mini-3b-2507Voxtral Mini 1.0 3B 2507 łączy rozumienie dźwięku z kompaktowym modelem tekstowym do transkrypcji, tłumaczenia mowy, pytań i podsumowań. Producent dokumentuje kontekst o wielkości 32 tys. tokenów, do 30 minut transkrypcji lub 40 minut rozumienia dźwięku i wyjście tekstowe.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
Voxtral Mini 1.0 3B 2507 to kompaktowy model rozumienia tekstu i dźwięku firmy Mistral AI, zbudowany na rodzinie modeli językowych Ministral 3B. Przyjmuje nagrania mowy i instrukcje tekstowe oraz generuje tekst, w tym transkrypcje, tłumaczenia, odpowiedzi dotyczące nagrania i uporządkowane podsumowania. Oryginalne wydanie Voxtral pozycjonuje ten model 3B do kompaktowych lub lokalnych aplikacji, obok osobnego modelu Voxtral Small 24B. Jest też odrębny od udostępnianej usługi Voxtral Mini Transcribe zoptymalizowanej do transkrypcji.
Model ma dedykowany tryb transkrypcji, który domyślnie automatycznie przewiduje język źródła i odpowiednio je transkrybuje. Wybierz ten tryb, gdy wymaganym artefaktem jest wypowiedziane brzmienie. Rozumienie dźwięku pozwala natomiast na bezpośrednie pytanie lub prośbę o podsumowanie nagrania, bez wymagania osobnego etapu rozpoznawania mowy, po którym następuje model tekstowy. Wywiad może więc dać pełną transkrypcję, tłumaczenie lub odpowiedź na wąskie pytanie; określ potrzebny wynik, aby te różne zadania nie stały się jednym niejednoznacznym opisem.
Karta konkretnego wydania podaje kontekst o wielkości 32 tys. tokenów i nagrania do 30 minut dla transkrypcji lub 40 minut dla rozumienia. Są to różne stwierdzenia dotyczące czasu trwania zależne od zadania, a nie wspólny limit audio dla każdej operacji. Utrzymuj istotne nagranie, instrukcje i rozmowę w zamierzonym zakresie zadania. Języki wymienione przez producenta to angielski, hiszpański, francuski, portugalski, hindi, niemiecki, niderlandzki i włoski, z automatycznym wykrywaniem języka. Dla tłumaczenia lub odpowiedzi odróżnij język nagrania od wymaganego języka wyjścia.
Obsługiwane jest kilka wejść audio w wiadomości oraz dźwięk w wielu turach użytkownika. Nadaj każdemu nagraniu jasny identyfikator przy prośbie o porównania. Oryginalny przykład mógłby porównywać dwa wypowiedziane wyjaśnienia i zwracać zmienione wymagania, z osobną kolumną dla każdego źródła. Pytanie uzupełniające może dotyczyć szczegółu stojącego za jednym ustaleniem lub dostarczać inne nagranie. Karta demonstruje też użycie wyłącznie tekstowe i wyłącznie dźwiękowe, pozwalając modelowi pracować zarówno z pisemnym pytaniem, jak i dowodami z mowy.
Dla podsumowania spotkania dostarcz nagranie i poproś o przydatną strukturę, taką jak tematy, wypowiedziane decyzje i dalsze działania. Oddziel niepewne nazwiska, daty lub odpowiedzialności od faktów wyraźnie wypowiedzianych. Dla wywiadu poproś o stwierdzenie odpowiadające na konkretne pytanie i wystarczający kontekst, aby było zrozumiałe. Są to projekty zadań dla użytecznego artefaktu tekstowego; nie zmieniają ogólnego rozumienia dźwięku w gwarancję diarizacji, znaczników czasu słów lub identyfikacji nienazwanego mówcy.
Producent opisuje wywoływanie funkcji na podstawie wypowiedzianej intencji. W takim przepływie aplikacja dostarcza definicje funkcji, model proponuje właściwe wywołanie i argumenty, a aplikacja je wykonuje i zwraca obserwację. Żądanie głosowe może więc kierować wyszukiwaniem lub innym zadaniem wspomaganym narzędziami, ale proponowane wywołanie modelu jest odrębne od wykonanego działania. Zachowaj rzeczywisty zwrócony wynik podczas kontynuowania rozmowy, aby późniejsza odpowiedź odzwierciedlała to, co się wydarzyło, a nie to, o co poproszono.
Udostępniona karta użycia zaleca temperaturę 0.0 dla transkrypcji oraz temperaturę 0.2 z top_p 0.95 dla rozumienia dźwięku i czatu. Stwierdza, że prompty systemowe nie są obsługiwane w tym przepływie, więc umieść zadanie i wymagania odpowiedzi w wejściu użytkownika. Jej przykłady dekodują nagrania do wejść audio i obejmują materiały MP3, ale nie ustalają wyczerpującej listy kodeków ani osobnej sztywnej maksymalnej długości wyjścia. Ustawienie generowania 500 tokenów w przykładach pozostaje przykładowym budżetem.
Przygotuj czytelne nagranie zawierające materiał istotny dla zadania i określ, czy potrzebujesz oryginalnego brzmienia, tłumaczenia, odpowiedzi czy podsumowania. Karta demonstruje też wsadową inferencję z kilkoma rozmowami, będącą wzorcem użycia producenta odrębnym od tożsamości pojedynczego wyniku. Zachowaj edycję 3B 2507 i jej wskazówki czasu trwania transkrypcji względem rozumienia; diarizacja, profil 13 języków i obsługa dłuższych nagrań późniejszego modelu Mini Transcribe 2 są osobnymi funkcjami producenta.
POST /v1/audio/transcriptionsaudiotext| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity mistralai/voxtral-mini-3b-2507 | Domyślnie— |
Poleinput_audio | Typobject | WymaganieWymagane | Wartości i limity | Domyślnie— |
Polelanguage | Typstring | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poletemperature | Typnumber | WymaganieOpcjonalne | Wartości i limity Minimum: 0 Maksimum: 1 | Domyślnie— |
Poleresponse_format | Typstring | WymaganieOpcjonalne | Wartości i limity json, verbose_json | Domyślniejson |
Poletimestamp_granularities | Typarray | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
Poleprovider | Typobject | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, input_audio |
Parametrmaterial_types | Kontraktaudio |
Parametrmaterial_conditions | KontraktOdczytaj rzeczywisty plik WAV i zakoduj jego prawdziwe bajty dla zadeklarowanego wejścia JSON input_audio; dla tej konkretnej deklaracji obsługującej wyłącznie JSON nie deklaruje się ścieżki multipart. |
Cykl życia: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Rzeczywiście zwrócony task_id lub wpis w bibliotece multimediów
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Wyświetlane stawki służą do oszacowania kosztu przed generowaniem. Ostateczna opłata jest obliczana na podstawie kosztu zarejestrowanego dla pierwotnego generowania. Zmierzony czas trwania wyniku i prognozowane ilości nie stanowią ostatecznej ilości podlegającej rozliczeniu.
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Przewidywana ilość | Jednostka rozliczeniowa | Opłata |
|---|---|---|---|---|
| KonfiguracjaBazowe stawki za tokeny | Tabela stawekStawka podstawowa | Przewidywana ilość— | Jednostka rozliczeniowa— | Opłata Wejście · Tokeny wejściowe · Szacunek tylko do porównania — / 1K tokenów Wyjście · Tokeny wyjściowe · Szacunek tylko do porównania — / 1K tokenów Wejście · Odczyt cache · Szacunek tylko do porównania — / 1K tokenów Wejście · Zapis do cache · Szacunek tylko do porównania — / 1K tokenów Wejście · Zapis do cache, 1 godz. · Szacunek tylko do porównania — / 1K tokenów |
| Konfiguracjasekunda wejściowego audio | Tabela stawek— | Przewidywana ilość— | Jednostka rozliczeniowaza sekundę dźwięku wejściowego | Opłata Wejście · sekunda wejściowego audio · Szacunek tylko do porównania $0.0000333334 za sekundę dźwięku wejściowego |
| KonfiguracjaSzacowany koszt generowania | Tabela stawek— | Przewidywana ilośćszacunek dla jednego generowania | Jednostka rozliczeniowa— | Opłata Wyjście · Szacowany koszt generowania · Szacunek tylko do porównania $0.0000333334 szacunek przed generowaniem Ten szacunek nie jest dodatkową opłatą ani stałą stawką za ukończone generowanie. |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${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.\nZachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj pełną odpowiedź i nagłówki, wszystkie rzeczywiście uzyskane wyniki, pierwotnie zwrócone identyfikatory oraz wszystkie pola zużycia. Odzyskaj pierwotną operację bez ponownego wysyłania żądania utworzenia.
Zachowaj zwrócony X-Client-Request-ID do uzgodnienia danych. Odczytuj wyłącznie rzeczywiście zwrócone wartości task_id/asset_id lub własną bibliotekę multimediów; nigdy nie buduj adresu URL zadania na podstawie identyfikatora operacji i nigdy nie wysyłaj ponownie żądania utworzenia.
| Pole | Typ |
|---|---|
Poletext | Typ |
Poleusage | Typ |
Polesegments[] | Typ |
Polewords[] | Typ |
Polespeaker fields | Typ |
Poletimestamps | Typ |
Ailoot Ultra mistralai/voxtral-mini-3b-2507
Użyj ścieżek metod podanych powyżej.