Voxtral Small 1.0 24B 2507 acrescenta entrada de áudio e compreensão de fala a uma base de modelo de linguagem Mistral Small. Aceita áudio e texto e devolve texto, incluindo uma transcrição, uma resposta sobre a gravação, uma tradução ou um resumo estruturado. Esta é a edição identificada de compreensão de fala com 24 mil milhões de parâmetros, distinta do Voxtral Mini, de variantes de serviço otimizadas para transcrição e de versões Voxtral posteriores de geração de fala ou tempo real.
Transcrição e compreensão de áudio
O modelo tem um modo dedicado de transcrição pura. O fabricante afirma que, por predefinição, prevê automaticamente a língua do áudio de origem e transcreve em conformidade. Use este modo quando o artefacto pretendido for a formulação falada em si, em vez de uma interpretação ou resumo. Identifique se o resultado deve preservar a língua original ou ser seguido de uma tradução pedida separadamente.
A compreensão de áudio permite fazer uma pergunta diretamente sobre uma gravação, sem encadear primeiro um modelo separado de reconhecimento de fala e um modelo de texto. Um pedido pode perguntar que tema foi discutido, que decisão foi enunciada ou que informação da gravação responde a uma pergunta específica. O resultado pode ser uma resposta concisa ou um resumo organizado, em vez de uma transcrição integral de cada palavra dita.
Para resumir uma reunião, forneça a gravação e defina os campos a devolver: temas, decisões explicitamente enunciadas e ações de seguimento. Peça nomes ou datas apenas quando a gravação efetivamente os indicar e mantenha os pormenores por resolver separados das decisões. Para uma entrevista, peça a resposta a uma pergunta concreta e o contexto envolvente necessário à compreensão. Estes formatos de saída ligam a tarefa de áudio a um documento que alguém pode usar depois.
Contexto, duração e línguas
O fabricante documenta um contexto de 32k tokens e áudio até 30 minutos para transcrição ou 40 minutos para compreensão. Os dois valores de duração têm âmbitos de tarefa diferentes. Escolha a operação pretendida antes de selecionar a gravação e inclua a instrução textual e a conversa ao planear o contexto disponível. Uma gravação longa e uma resposta escrita longa consomem recursos; a indicação de duração não é uma promessa separada de extensão de resposta ilimitada.
A versão identifica inglês, espanhol, francês, português, hindi, alemão, neerlandês e italiano entre as principais línguas suportadas e disponibiliza deteção automática da língua. Para tradução de fala, defina a língua final e os termos que devem conservar a forma original. Numa pergunta sobre áudio numa língua, distinga a língua da gravação da língua em que a resposta deve ser escrita.
Várias gravações e perguntas de seguimento
A ficha suporta várias entradas de áudio numa mensagem e áudio em vários turnos do utilizador. Dê um identificador a cada gravação e indique o seu papel ao compará-las. Um pedido prático pode comparar duas versões de uma explicação falada, perguntar que condições mudaram e devolver uma tabela com uma coluna separada para cada gravação. Os identificadores ajudam a manter as conclusões do modelo associadas à fonte certa.
Um seguimento pode conservar a pergunta e resposta anteriores enquanto solicita um detalhe mais específico ou fornece outra gravação. Por exemplo, peça primeiro as decisões de uma discussão e pergunte depois qual se relaciona com um requisito concreto. A mesma versão demonstra pedidos apenas textuais e apenas de áudio. A base textual pode trabalhar sobre a pergunta ou resultado escrito, enquanto a capacidade de áudio fornece elementos de prova da fala.
Funções orientadas por voz
O fabricante descreve chamadas de funções a partir da intenção falada e classifica como suporte experimental o exemplo de chamadas de funções da ficha publicada. Neste fluxo, a aplicação define uma função e os argumentos, o modelo prepara uma chamada a partir do pedido e a aplicação executa-a e fornece o resultado. Uma consulta por voz pode, portanto, devolver uma resposta escrita com informação de uma ferramenta ligada. Chamar funções não significa que o modelo controla automaticamente o serviço externo nem que executa uma ação apenas por a nomear.
Mantenha explícitos a finalidade da função e os dados obrigatórios. Se a gravação pedir uma operação mas omitir um valor obrigatório, a aplicação continua a precisar dele para executar a função. Separe o pedido falado, os argumentos propostos e o resultado devolvido, para que a resposta seguinte possa referir-se ao resultado efetivo da operação.
Definições recomendadas e limites úteis
Para compreensão de áudio e geração de respostas em conversa, a ficha recomenda temperature 0.2 e top-p 0.95. Para transcrição, recomenda temperature 0.0. Afirma explicitamente que os prompts de sistema não são suportados neste fluxo de utilização publicado; coloque, por isso, a tarefa e os requisitos de resposta na entrada do utilizador, em vez de transferir uma convenção de instruções de sistema de outro modelo Mistral.
Selecione uma gravação com material relevante para a pergunta, mantenha a fala audível clara e especifique se o resultado deve ser uma transcrição, tradução, resposta ou resumo. A saída documentada é texto. Uma resposta falada precisa de uma componente de síntese de voz, e a identificação de oradores, a diarização detalhada ou marcas temporais por palavra não devem ser inferidas da afirmação geral de compreensão de áudio para esta versão exata.
Os exemplos de geração de 500 tokens da ficha são definições ilustrativas, não uma capacidade máxima de saída declarada separadamente. Preserve a edição 2507, as orientações de duração específicas de cada tarefa e a língua de entrada ao preparar um fluxo repetível. O artefacto final útil é o texto pedido, ligado à gravação e formatado para o próximo passo documental ou da aplicação.
", "aboutText": "Voxtral Small 1.0 24B 2507 acrescenta entrada de áudio e compreensão de fala a uma base de modelo de linguagem Mistral Small. Aceita áudio e texto e devolve texto, incluindo uma transcrição, uma resposta sobre a gravação, uma tradução ou um resumo estruturado. Esta é a edição identificada de compreensão de fala com 24 mil milhões de parâmetros, distinta do Voxtral Mini, de variantes de serviço otimizadas para transcrição e de versões Voxtral posteriores de geração de fala ou tempo real.\n\nTranscrição e compreensão de áudio\n\nO modelo tem um modo dedicado de transcrição pura. O fabricante afirma que, por predefinição, prevê automaticamente a língua do áudio de origem e transcreve em conformidade. Use este modo quando o artefacto pretendido for a formulação falada em si, em vez de uma interpretação ou resumo. Identifique se o resultado deve preservar a língua original ou ser seguido de uma tradução pedida separadamente.\n\nA compreensão de áudio permite fazer uma pergunta diretamente sobre uma gravação, sem encadear primeiro um modelo separado de reconhecimento de fala e um modelo de texto. Um pedido pode perguntar que tema foi discutido, que decisão foi enunciada ou que informação da gravação responde a uma pergunta específica. O resultado pode ser uma resposta concisa ou um resumo organizado, em vez de uma transcrição integral de cada palavra dita.\n\nPara resumir uma reunião, forneça a gravação e defina os campos a devolver: temas, decisões explicitamente enunciadas e ações de seguimento. Peça nomes ou datas apenas quando a gravação efetivamente os indicar e mantenha os pormenores por resolver separados das decisões. Para uma entrevista, peça a resposta a uma pergunta concreta e o contexto envolvente necessário à compreensão. Estes formatos de saída ligam a tarefa de áudio a um documento que alguém pode usar depois.\n\nContexto, duração e línguas\n\nO fabricante documenta um contexto de 32k tokens e áudio até 30 minutos para transcrição ou 40 minutos para compreensão. Os dois valores de duração têm âmbitos de tarefa diferentes. Escolha a operação pretendida antes de selecionar a gravação e inclua a instrução textual e a conversa ao planear o contexto disponível. Uma gravação longa e uma resposta escrita longa consomem recursos; a indicação de duração não é uma promessa separada de extensão de resposta ilimitada.\n\nA versão identifica inglês, espanhol, francês, português, hindi, alemão, neerlandês e italiano entre as principais línguas suportadas e disponibiliza deteção automática da língua. Para tradução de fala, defina a língua final e os termos que devem conservar a forma original. Numa pergunta sobre áudio numa língua, distinga a língua da gravação da língua em que a resposta deve ser escrita.\n\nVárias gravações e perguntas de seguimento\n\nA ficha suporta várias entradas de áudio numa mensagem e áudio em vários turnos do utilizador. Dê um identificador a cada gravação e indique o seu papel ao compará-las. Um pedido prático pode comparar duas versões de uma explicação falada, perguntar que condições mudaram e devolver uma tabela com uma coluna separada para cada gravação. Os identificadores ajudam a manter as conclusões do modelo associadas à fonte certa.\n\nUm seguimento pode conservar a pergunta e resposta anteriores enquanto solicita um detalhe mais específico ou fornece outra gravação. Por exemplo, peça primeiro as decisões de uma discussão e pergunte depois qual se relaciona com um requisito concreto. A mesma versão demonstra pedidos apenas textuais e apenas de áudio. A base textual pode trabalhar sobre a pergunta ou resultado escrito, enquanto a capacidade de áudio fornece elementos de prova da fala.\n\nFunções orientadas por voz\n\nO fabricante descreve chamadas de funções a partir da intenção falada e classifica como suporte experimental o exemplo de chamadas de funções da ficha publicada. Neste fluxo, a aplicação define uma função e os argumentos, o modelo prepara uma chamada a partir do pedido e a aplicação executa-a e fornece o resultado. Uma consulta por voz pode, portanto, devolver uma resposta escrita com informação de uma ferramenta ligada. Chamar funções não significa que o modelo controla automaticamente o serviço externo nem que executa uma ação apenas por a nomear.\n\nMantenha explícitos a finalidade da função e os dados obrigatórios. Se a gravação pedir uma operação mas omitir um valor obrigatório, a aplicação continua a precisar dele para executar a função. Separe o pedido falado, os argumentos propostos e o resultado devolvido, para que a resposta seguinte possa referir-se ao resultado efetivo da operação.\n\nDefinições recomendadas e limites úteis\n\nPara compreensão de áudio e geração de respostas em conversa, a ficha recomenda temperature 0.2 e top-p 0.95. Para transcrição, recomenda temperature 0.0. Afirma explicitamente que os prompts de sistema não são suportados neste fluxo de utilização publicado; coloque, por isso, a tarefa e os requisitos de resposta na entrada do utilizador, em vez de transferir uma convenção de instruções de sistema de outro modelo Mistral.\n\nSelecione uma gravação com material relevante para a pergunta, mantenha a fala audível clara e especifique se o resultado deve ser uma transcrição, tradução, resposta ou resumo. A saída documentada é texto. Uma resposta falada precisa de uma componente de síntese de voz, e a identificação de oradores, a diarização detalhada ou marcas temporais por palavra não devem ser inferidas da afirmação geral de compreensão de áudio para esta versão exata.\n\nOs exemplos de geração de 500 tokens da ficha são definições ilustrativas, não uma capacidade máxima de saída declarada separadamente. Preserve a edição 2507, as orientações de duração específicas de cada tarefa e a língua de entrada ao preparar um fluxo repetível. O artefacto final útil é o texto pedido, ligado à gravação e formatado para o próximo passo documental ou da aplicação.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemplo técnico em inglês
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 é um modelo de texto e áudio para transcrição, tradução de fala, perguntas e resumos. O fabricante documenta um contexto de 32k, até 30 minutos para transcrição ou 40 minutos para compreensão, várias entradas de áudio e resultados textuais.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Voxtral Small 1.0 24B 2507 acrescenta entrada de áudio e compreensão de fala a uma base de modelo de linguagem Mistral Small. Aceita áudio e texto e devolve texto, incluindo uma transcrição, uma resposta sobre a gravação, uma tradução ou um resumo estruturado. Esta é a edição identificada de compreensão de fala com 24 mil milhões de parâmetros, distinta do Voxtral Mini, de variantes de serviço otimizadas para transcrição e de versões Voxtral posteriores de geração de fala ou tempo real.
Transcrição e compreensão de áudio
O modelo tem um modo dedicado de transcrição pura. O fabricante afirma que, por predefinição, prevê automaticamente a língua do áudio de origem e transcreve em conformidade. Use este modo quando o artefacto pretendido for a formulação falada em si, em vez de uma interpretação ou resumo. Identifique se o resultado deve preservar a língua original ou ser seguido de uma tradução pedida separadamente.
A compreensão de áudio permite fazer uma pergunta diretamente sobre uma gravação, sem encadear primeiro um modelo separado de reconhecimento de fala e um modelo de texto. Um pedido pode perguntar que tema foi discutido, que decisão foi enunciada ou que informação da gravação responde a uma pergunta específica. O resultado pode ser uma resposta concisa ou um resumo organizado, em vez de uma transcrição integral de cada palavra dita.
Para resumir uma reunião, forneça a gravação e defina os campos a devolver: temas, decisões explicitamente enunciadas e ações de seguimento. Peça nomes ou datas apenas quando a gravação efetivamente os indicar e mantenha os pormenores por resolver separados das decisões. Para uma entrevista, peça a resposta a uma pergunta concreta e o contexto envolvente necessário à compreensão. Estes formatos de saída ligam a tarefa de áudio a um documento que alguém pode usar depois.
Contexto, duração e línguas
O fabricante documenta um contexto de 32k tokens e áudio até 30 minutos para transcrição ou 40 minutos para compreensão. Os dois valores de duração têm âmbitos de tarefa diferentes. Escolha a operação pretendida antes de selecionar a gravação e inclua a instrução textual e a conversa ao planear o contexto disponível. Uma gravação longa e uma resposta escrita longa consomem recursos; a indicação de duração não é uma promessa separada de extensão de resposta ilimitada.
A versão identifica inglês, espanhol, francês, português, hindi, alemão, neerlandês e italiano entre as principais línguas suportadas e disponibiliza deteção automática da língua. Para tradução de fala, defina a língua final e os termos que devem conservar a forma original. Numa pergunta sobre áudio numa língua, distinga a língua da gravação da língua em que a resposta deve ser escrita.
Várias gravações e perguntas de seguimento
A ficha suporta várias entradas de áudio numa mensagem e áudio em vários turnos do utilizador. Dê um identificador a cada gravação e indique o seu papel ao compará-las. Um pedido prático pode comparar duas versões de uma explicação falada, perguntar que condições mudaram e devolver uma tabela com uma coluna separada para cada gravação. Os identificadores ajudam a manter as conclusões do modelo associadas à fonte certa.
Um seguimento pode conservar a pergunta e resposta anteriores enquanto solicita um detalhe mais específico ou fornece outra gravação. Por exemplo, peça primeiro as decisões de uma discussão e pergunte depois qual se relaciona com um requisito concreto. A mesma versão demonstra pedidos apenas textuais e apenas de áudio. A base textual pode trabalhar sobre a pergunta ou resultado escrito, enquanto a capacidade de áudio fornece elementos de prova da fala.
Funções orientadas por voz
O fabricante descreve chamadas de funções a partir da intenção falada e classifica como suporte experimental o exemplo de chamadas de funções da ficha publicada. Neste fluxo, a aplicação define uma função e os argumentos, o modelo prepara uma chamada a partir do pedido e a aplicação executa-a e fornece o resultado. Uma consulta por voz pode, portanto, devolver uma resposta escrita com informação de uma ferramenta ligada. Chamar funções não significa que o modelo controla automaticamente o serviço externo nem que executa uma ação apenas por a nomear.
Mantenha explícitos a finalidade da função e os dados obrigatórios. Se a gravação pedir uma operação mas omitir um valor obrigatório, a aplicação continua a precisar dele para executar a função. Separe o pedido falado, os argumentos propostos e o resultado devolvido, para que a resposta seguinte possa referir-se ao resultado efetivo da operação.
Definições recomendadas e limites úteis
Para compreensão de áudio e geração de respostas em conversa, a ficha recomenda temperature 0.2 e top-p 0.95. Para transcrição, recomenda temperature 0.0. Afirma explicitamente que os prompts de sistema não são suportados neste fluxo de utilização publicado; coloque, por isso, a tarefa e os requisitos de resposta na entrada do utilizador, em vez de transferir uma convenção de instruções de sistema de outro modelo Mistral.
Selecione uma gravação com material relevante para a pergunta, mantenha a fala audível clara e especifique se o resultado deve ser uma transcrição, tradução, resposta ou resumo. A saída documentada é texto. Uma resposta falada precisa de uma componente de síntese de voz, e a identificação de oradores, a diarização detalhada ou marcas temporais por palavra não devem ser inferidas da afirmação geral de compreensão de áudio para esta versão exata.
Os exemplos de geração de 500 tokens da ficha são definições ilustrativas, não uma capacidade máxima de saída declarada separadamente. Preserve a edição 2507, as orientações de duração específicas de cada tarefa e a língua de entrada ao preparar um fluxo repetível. O artefacto final útil é o texto pedido, ligado à gravação e formatado para o próximo passo documental ou da aplicação.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites mistralai/voxtral-small-24b-2507 | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites Número mínimo de elementos: 1 | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites Exemplos: system, user, assistant, tool, function Condições: Estes papéis são representados explicitamente pelos tipos de compatibilidade do código-fonte; o conjunto exato de papéis continua específico do modelo. Depende do modelo | Predefinição— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: role=tool; use o ID realmente devolvido | Predefinição— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores e limites Aplica-se quando: Reintroduza o raciocínio realmente devolvido quando este modelo o utiliza | Predefinição— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores e limites Mínimo: 1 Depende do modelo | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores e limites function Depende do modelo | Predefinição— |
Campotools[].function.name | Tipostring | RequisitoObrigatório | Valores e limites Aplica-se quando: Função fornecida como ferramenta | Predefinição— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores e limites | Predefinição— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores e limites | Predefinição— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores e limites Campo de compatibilidade | Predefinição— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores e limites Depende do modelo | Predefinição— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores e limites text | Predefinição— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores e limites Condições: provider.options é rejeitado nesta rota textual Ultra | Predefinição— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores e limites Condições: 1h é rejeitado nos locais efetivos da cache de prompts | Predefinição— |
Texto · Texto UTF8
messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages |
Parâmetromaterial_types | Contratotext |
Parâmetromessages | ContratoLista de mensagens com estrutura role/content |
Parâmetrofile_material | ContratoDocumento UTF-8 real inserido como texto literal; nenhum ID de ficheiro inferido |
Parâmetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parâmetrocontrol_scope | ContratoEspecífico do modelo; as ferramentas de funções do utilizador diferem das ferramentas alojadas |
Parâmetrooutput_modalities | Contratotext |
Parâmetrohosted_operations | Contratofalse |
Parâmetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envie o ID exato do modelo com messages.
O comprimento do contexto não é um limite de saída.
Um ficheiro de texto pode fornecer texto literal; as entradas de imagem/áudio/objeto de ficheiro exigem uma associação exata.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Tokens de contexto, mais de | Tokens de contexto, até ao limite inclusive | Custo |
|---|---|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Tokens de contexto, mais de— | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.0002 / 1K tokens Saída · Tokens de saída $0.0006 / 1K tokens Entrada · Leitura da cache $0.00002 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoEscalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.0002 / 1K tokens Saída · Tokens de saída $0.0006 / 1K tokens Entrada · Leitura da cache $0.00002 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${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 ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve cada opção com o conteúdo, as chamadas de ferramentas e o raciocínio. Em SSE, junte os deltas por índice de opção e ferramenta e mantenha o motivo final de conclusão e os dados de utilização.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra mistralai/voxtral-small-24b-2507
Use os caminhos dos métodos indicados acima.
mistralai/voxtral-small-24b-2507Voxtral Small 1.0 24B 2507 é um modelo de texto e áudio para transcrição, tradução de fala, perguntas e resumos. O fabricante documenta um contexto de 32k, até 30 minutos para transcrição ou 40 minutos para compreensão, várias entradas de áudio e resultados textuais.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Voxtral Small 1.0 24B 2507 acrescenta entrada de áudio e compreensão de fala a uma base de modelo de linguagem Mistral Small. Aceita áudio e texto e devolve texto, incluindo uma transcrição, uma resposta sobre a gravação, uma tradução ou um resumo estruturado. Esta é a edição identificada de compreensão de fala com 24 mil milhões de parâmetros, distinta do Voxtral Mini, de variantes de serviço otimizadas para transcrição e de versões Voxtral posteriores de geração de fala ou tempo real.
Transcrição e compreensão de áudio
O modelo tem um modo dedicado de transcrição pura. O fabricante afirma que, por predefinição, prevê automaticamente a língua do áudio de origem e transcreve em conformidade. Use este modo quando o artefacto pretendido for a formulação falada em si, em vez de uma interpretação ou resumo. Identifique se o resultado deve preservar a língua original ou ser seguido de uma tradução pedida separadamente.
A compreensão de áudio permite fazer uma pergunta diretamente sobre uma gravação, sem encadear primeiro um modelo separado de reconhecimento de fala e um modelo de texto. Um pedido pode perguntar que tema foi discutido, que decisão foi enunciada ou que informação da gravação responde a uma pergunta específica. O resultado pode ser uma resposta concisa ou um resumo organizado, em vez de uma transcrição integral de cada palavra dita.
Para resumir uma reunião, forneça a gravação e defina os campos a devolver: temas, decisões explicitamente enunciadas e ações de seguimento. Peça nomes ou datas apenas quando a gravação efetivamente os indicar e mantenha os pormenores por resolver separados das decisões. Para uma entrevista, peça a resposta a uma pergunta concreta e o contexto envolvente necessário à compreensão. Estes formatos de saída ligam a tarefa de áudio a um documento que alguém pode usar depois.
Contexto, duração e línguas
O fabricante documenta um contexto de 32k tokens e áudio até 30 minutos para transcrição ou 40 minutos para compreensão. Os dois valores de duração têm âmbitos de tarefa diferentes. Escolha a operação pretendida antes de selecionar a gravação e inclua a instrução textual e a conversa ao planear o contexto disponível. Uma gravação longa e uma resposta escrita longa consomem recursos; a indicação de duração não é uma promessa separada de extensão de resposta ilimitada.
A versão identifica inglês, espanhol, francês, português, hindi, alemão, neerlandês e italiano entre as principais línguas suportadas e disponibiliza deteção automática da língua. Para tradução de fala, defina a língua final e os termos que devem conservar a forma original. Numa pergunta sobre áudio numa língua, distinga a língua da gravação da língua em que a resposta deve ser escrita.
Várias gravações e perguntas de seguimento
A ficha suporta várias entradas de áudio numa mensagem e áudio em vários turnos do utilizador. Dê um identificador a cada gravação e indique o seu papel ao compará-las. Um pedido prático pode comparar duas versões de uma explicação falada, perguntar que condições mudaram e devolver uma tabela com uma coluna separada para cada gravação. Os identificadores ajudam a manter as conclusões do modelo associadas à fonte certa.
Um seguimento pode conservar a pergunta e resposta anteriores enquanto solicita um detalhe mais específico ou fornece outra gravação. Por exemplo, peça primeiro as decisões de uma discussão e pergunte depois qual se relaciona com um requisito concreto. A mesma versão demonstra pedidos apenas textuais e apenas de áudio. A base textual pode trabalhar sobre a pergunta ou resultado escrito, enquanto a capacidade de áudio fornece elementos de prova da fala.
Funções orientadas por voz
O fabricante descreve chamadas de funções a partir da intenção falada e classifica como suporte experimental o exemplo de chamadas de funções da ficha publicada. Neste fluxo, a aplicação define uma função e os argumentos, o modelo prepara uma chamada a partir do pedido e a aplicação executa-a e fornece o resultado. Uma consulta por voz pode, portanto, devolver uma resposta escrita com informação de uma ferramenta ligada. Chamar funções não significa que o modelo controla automaticamente o serviço externo nem que executa uma ação apenas por a nomear.
Mantenha explícitos a finalidade da função e os dados obrigatórios. Se a gravação pedir uma operação mas omitir um valor obrigatório, a aplicação continua a precisar dele para executar a função. Separe o pedido falado, os argumentos propostos e o resultado devolvido, para que a resposta seguinte possa referir-se ao resultado efetivo da operação.
Definições recomendadas e limites úteis
Para compreensão de áudio e geração de respostas em conversa, a ficha recomenda temperature 0.2 e top-p 0.95. Para transcrição, recomenda temperature 0.0. Afirma explicitamente que os prompts de sistema não são suportados neste fluxo de utilização publicado; coloque, por isso, a tarefa e os requisitos de resposta na entrada do utilizador, em vez de transferir uma convenção de instruções de sistema de outro modelo Mistral.
Selecione uma gravação com material relevante para a pergunta, mantenha a fala audível clara e especifique se o resultado deve ser uma transcrição, tradução, resposta ou resumo. A saída documentada é texto. Uma resposta falada precisa de uma componente de síntese de voz, e a identificação de oradores, a diarização detalhada ou marcas temporais por palavra não devem ser inferidas da afirmação geral de compreensão de áudio para esta versão exata.
Os exemplos de geração de 500 tokens da ficha são definições ilustrativas, não uma capacidade máxima de saída declarada separadamente. Preserve a edição 2507, as orientações de duração específicas de cada tarefa e a língua de entrada ao preparar um fluxo repetível. O artefacto final útil é o texto pedido, ligado à gravação e formatado para o próximo passo documental ou da aplicação.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites mistralai/voxtral-small-24b-2507 | Predefinição— |
Campomessages | Tipomessage[] | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomessages[].role | Tipostring | RequisitoObrigatório | Valores e limites user, assistant | Predefinição— |
Campomessages[].content | Tipostring | RequisitoObrigatório | Valores e limites | Predefinição— |
Campomax_tokens | Tipointeger | RequisitoObrigatório | Valores e limites | Predefinição— |
Campostream | Tipoboolean | RequisitoOpcional | Valores e limites | Predefiniçãofalse |
Texto · Texto UTF-8
Cadeia de caracteres messages[].content
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, messages, max_tokens |
Parâmetrooptional_controls | Contratostream |
Parâmetromaterial_types | Contratotext |
Parâmetrotext_file_material | ContratoLeia o documento UTF-8 real e coloque o texto na entrada indicada ou na cadeia de conteúdo da mensagem. |
Ciclo de vida: synchronous_or_streamed
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Tokens de contexto, mais de | Tokens de contexto, até ao limite inclusive | Custo |
|---|---|---|---|---|
| ConfiguraçãoTarifas base dos tokens | Tabela de tarifasTarifa base | Tokens de contexto, mais de— | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.0002 / 1K tokens Saída · Tokens de saída $0.0006 / 1K tokens Entrada · Leitura da cache $0.00002 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoEscalão 1 por comprimento do pedido | Tabela de tarifas— | Tokens de contexto, mais de0 | Tokens de contexto, até ao limite inclusiveSem limite superior | Custo Entrada · Tokens de entrada $0.0002 / 1K tokens Saída · Tokens de saída $0.0006 / 1K tokens Entrada · Leitura da cache $0.00002 / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
{\n "model": "mistralai/voxtral-small-24b-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ou SSE
Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve todos os blocos de conteúdo, as assinaturas de raciocínio e os ID reais de utilização de ferramentas. Junte todos os deltas de blocos SSE; o primeiro bloco de texto não é a saída completa.
Conserve os ID e cabeçalhos de pedido/resposta. Não é fornecido um URL genérico para obter uma tarefa textual.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Ailoot Ultra mistralai/voxtral-small-24b-2507
Use os caminhos dos métodos indicados acima.
Exemplo técnico em inglês
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.