Voxtral Mini 1.0 3B 2507 är Mistral AI:s kompakta modell för text- och ljudförståelse, byggd på språkmodellfamiljen Ministral 3B. Den tar emot talinspelningar och textinstruktioner och producerar text, inklusive transkriptioner, översättningar, svar om ljudet och strukturerade sammanfattningar. Den ursprungliga Voxtral-utgåvan positionerar den här 3B-modellen för kompakta eller lokala applikationer, tillsammans med den separata modellen Voxtral Small med 24 miljarder parametrar. Den är också skild från den hostade transkriptionsoptimerade tjänsten Voxtral Mini Transcribe.
Modellen har ett särskilt transkriptionsläge som som standard automatiskt förutsäger källspråket och transkriberar därefter. Välj läget när den nödvändiga leveransen är de talade orden. Ljudförståelse tillåter i stället en direkt fråga eller begäran om sammanfattning av en inspelning utan att kräva ett separat taligenkänningssteg följt av en textmodell. En intervju kan därför ge en fullständig transkription, en översättning eller ett svar på en snäv fråga; ange vilket resultat som behövs så att de olika uppgifterna inte blir ett tvetydigt uppdragsunderlag.
Det specifika utgåvekortet anger en kontext på 32K token och ljud på upp till 30 minuter för transkription eller 40 minuter för förståelse. Detta är olika uppgiftsspecifika längdangivelser, inte ett gemensamt ljudutrymme för varje operation. Håll relevant inspelning, instruktioner och samtal inom den avsedda uppgiftens omfattning. Tillverkarens namngivna språk är engelska, spanska, franska, portugisiska, hindi, tyska, nederländska och italienska, med automatisk språkidentifiering. För en översättning eller ett svar skiljer du inspelningens språk från det önskade utmatningsspråket.
Flera ljudindata i ett meddelande och ljud över flera användarturer stöds. Ge varje inspelning en tydlig identifierare när du begär jämförelser. Ett eget exempel kan jämföra två talade förklaringar och returnera vilka krav som ändrats, med en separat kolumn för varje källa. En följdfråga kan efterfråga detaljen bakom en slutsats eller tillhandahålla en annan inspelning. Modellkortet demonstrerar också användning med enbart text och enbart ljud, så att modellen kan arbeta med den skriftliga frågan såväl som talunderlaget.
För en mötessammanfattning tillhandahåller du inspelningen och begär en användbar struktur som ämnen, uttalade beslut och uppföljningsåtgärder. Håll osäkra namn, datum eller ansvarsområden skilda från fakta som tydligt uttalas. För en intervju begär du utsagan som besvarar en viss fråga och tillräckligt omgivande sammanhang för att göra den begriplig. Detta är uppgiftsutformningar för en användbar textleverans; de gör inte allmän ljudförståelse till en garanti för talarseparering, ordtidsstämplar eller identifiering av en onamngiven talare.
Tillverkaren beskriver funktionsanrop utifrån talad avsikt. I ett sådant flöde tillhandahåller applikationen funktionsdefinitioner, modellen föreslår det relevanta anropet och argumenten och applikationen kör det och returnerar observationen. En röstbegäran kan därför styra en uppslagning eller annan verktygsstödd uppgift, men modellens föreslagna anrop skiljer sig från en utförd åtgärd. Bevara det faktiska returnerade resultatet när samtalet fortsätter så att ett senare svar återspeglar vad som hände snarare än vad som begärdes.
Det publicerade användningskortet rekommenderar temperatur 0.0 för transkription och temperatur 0.2 med top_p 0.95 för ljudförståelse och chatt. Det anger att systemprompter inte stöds i det här flödet, så placera uppgiften och svarskraven i användarindata. Exemplen avkodar inspelningar till ljudindata och inkluderar MP3-material, men fastställer ingen uttömmande kodeklista eller separat strikt maximal utmatningslängd. Genereringsinställningen på 500 token i exemplen förblir en exempelbudget.
Förbered en tydlig inspelning som innehåller materialet som är relevant för uppgiften och ange om du behöver originalordalydelse, en översättning, ett svar eller en sammanfattning. Modellkortet demonstrerar också batchad inferens med flera samtal, ett användningsmönster hos producenten som är skilt från identiteten hos ett enskilt resultat. Bevara utgåvan 3B 2507 och dess längdråd för transkription respektive förståelse; den senare modellen Mini Transcribe 2:s talarseparering, 13-språksprofil och stöd för längre inspelningar är separata producentfunktioner.
", "aboutText": "Voxtral Mini 1.0 3B 2507 är Mistral AI:s kompakta modell för text- och ljudförståelse, byggd på språkmodellfamiljen Ministral 3B. Den tar emot talinspelningar och textinstruktioner och producerar text, inklusive transkriptioner, översättningar, svar om ljudet och strukturerade sammanfattningar. Den ursprungliga Voxtral-utgåvan positionerar den här 3B-modellen för kompakta eller lokala applikationer, tillsammans med den separata modellen Voxtral Small med 24 miljarder parametrar. Den är också skild från den hostade transkriptionsoptimerade tjänsten Voxtral Mini Transcribe.\n\nModellen har ett särskilt transkriptionsläge som som standard automatiskt förutsäger källspråket och transkriberar därefter. Välj läget när den nödvändiga leveransen är de talade orden. Ljudförståelse tillåter i stället en direkt fråga eller begäran om sammanfattning av en inspelning utan att kräva ett separat taligenkänningssteg följt av en textmodell. En intervju kan därför ge en fullständig transkription, en översättning eller ett svar på en snäv fråga; ange vilket resultat som behövs så att de olika uppgifterna inte blir ett tvetydigt uppdragsunderlag.\n\nDet specifika utgåvekortet anger en kontext på 32K token och ljud på upp till 30 minuter för transkription eller 40 minuter för förståelse. Detta är olika uppgiftsspecifika längdangivelser, inte ett gemensamt ljudutrymme för varje operation. Håll relevant inspelning, instruktioner och samtal inom den avsedda uppgiftens omfattning. Tillverkarens namngivna språk är engelska, spanska, franska, portugisiska, hindi, tyska, nederländska och italienska, med automatisk språkidentifiering. För en översättning eller ett svar skiljer du inspelningens språk från det önskade utmatningsspråket.\n\nFlera ljudindata i ett meddelande och ljud över flera användarturer stöds. Ge varje inspelning en tydlig identifierare när du begär jämförelser. Ett eget exempel kan jämföra två talade förklaringar och returnera vilka krav som ändrats, med en separat kolumn för varje källa. En följdfråga kan efterfråga detaljen bakom en slutsats eller tillhandahålla en annan inspelning. Modellkortet demonstrerar också användning med enbart text och enbart ljud, så att modellen kan arbeta med den skriftliga frågan såväl som talunderlaget.\n\nFör en mötessammanfattning tillhandahåller du inspelningen och begär en användbar struktur som ämnen, uttalade beslut och uppföljningsåtgärder. Håll osäkra namn, datum eller ansvarsområden skilda från fakta som tydligt uttalas. För en intervju begär du utsagan som besvarar en viss fråga och tillräckligt omgivande sammanhang för att göra den begriplig. Detta är uppgiftsutformningar för en användbar textleverans; de gör inte allmän ljudförståelse till en garanti för talarseparering, ordtidsstämplar eller identifiering av en onamngiven talare.\n\nTillverkaren beskriver funktionsanrop utifrån talad avsikt. I ett sådant flöde tillhandahåller applikationen funktionsdefinitioner, modellen föreslår det relevanta anropet och argumenten och applikationen kör det och returnerar observationen. En röstbegäran kan därför styra en uppslagning eller annan verktygsstödd uppgift, men modellens föreslagna anrop skiljer sig från en utförd åtgärd. Bevara det faktiska returnerade resultatet när samtalet fortsätter så att ett senare svar återspeglar vad som hände snarare än vad som begärdes.\n\nDet publicerade användningskortet rekommenderar temperatur 0.0 för transkription och temperatur 0.2 med top_p 0.95 för ljudförståelse och chatt. Det anger att systemprompter inte stöds i det här flödet, så placera uppgiften och svarskraven i användarindata. Exemplen avkodar inspelningar till ljudindata och inkluderar MP3-material, men fastställer ingen uttömmande kodeklista eller separat strikt maximal utmatningslängd. Genereringsinställningen på 500 token i exemplen förblir en exempelbudget.\n\nFörbered en tydlig inspelning som innehåller materialet som är relevant för uppgiften och ange om du behöver originalordalydelse, en översättning, ett svar eller en sammanfattning. Modellkortet demonstrerar också batchad inferens med flera samtal, ett användningsmönster hos producenten som är skilt från identiteten hos ett enskilt resultat. Bevara utgåvan 3B 2507 och dess längdråd för transkription respektive förståelse; den senare modellen Mini Transcribe 2:s talarseparering, 13-språksprofil och stöd för längre inspelningar är separata producentfunktioner.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "6dc45b1910208ac6e1037fc033e7f40de58b618e1c6349df0f64c51ef75d48ee", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "mistralai/voxtral-mini-3b-2507Voxtral Mini 1.0 3B 2507 kombinerar ljudförståelse med en kompakt textmodell för transkription, talöversättning, frågor och sammanfattningar. Tillverkaren dokumenterar en kontext på 32K token, upp till 30 minuters transkription eller 40 minuters ljudförståelse samt textutdata.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Voxtral Mini 1.0 3B 2507 är Mistral AI:s kompakta modell för text- och ljudförståelse, byggd på språkmodellfamiljen Ministral 3B. Den tar emot talinspelningar och textinstruktioner och producerar text, inklusive transkriptioner, översättningar, svar om ljudet och strukturerade sammanfattningar. Den ursprungliga Voxtral-utgåvan positionerar den här 3B-modellen för kompakta eller lokala applikationer, tillsammans med den separata modellen Voxtral Small med 24 miljarder parametrar. Den är också skild från den hostade transkriptionsoptimerade tjänsten Voxtral Mini Transcribe.
Modellen har ett särskilt transkriptionsläge som som standard automatiskt förutsäger källspråket och transkriberar därefter. Välj läget när den nödvändiga leveransen är de talade orden. Ljudförståelse tillåter i stället en direkt fråga eller begäran om sammanfattning av en inspelning utan att kräva ett separat taligenkänningssteg följt av en textmodell. En intervju kan därför ge en fullständig transkription, en översättning eller ett svar på en snäv fråga; ange vilket resultat som behövs så att de olika uppgifterna inte blir ett tvetydigt uppdragsunderlag.
Det specifika utgåvekortet anger en kontext på 32K token och ljud på upp till 30 minuter för transkription eller 40 minuter för förståelse. Detta är olika uppgiftsspecifika längdangivelser, inte ett gemensamt ljudutrymme för varje operation. Håll relevant inspelning, instruktioner och samtal inom den avsedda uppgiftens omfattning. Tillverkarens namngivna språk är engelska, spanska, franska, portugisiska, hindi, tyska, nederländska och italienska, med automatisk språkidentifiering. För en översättning eller ett svar skiljer du inspelningens språk från det önskade utmatningsspråket.
Flera ljudindata i ett meddelande och ljud över flera användarturer stöds. Ge varje inspelning en tydlig identifierare när du begär jämförelser. Ett eget exempel kan jämföra två talade förklaringar och returnera vilka krav som ändrats, med en separat kolumn för varje källa. En följdfråga kan efterfråga detaljen bakom en slutsats eller tillhandahålla en annan inspelning. Modellkortet demonstrerar också användning med enbart text och enbart ljud, så att modellen kan arbeta med den skriftliga frågan såväl som talunderlaget.
För en mötessammanfattning tillhandahåller du inspelningen och begär en användbar struktur som ämnen, uttalade beslut och uppföljningsåtgärder. Håll osäkra namn, datum eller ansvarsområden skilda från fakta som tydligt uttalas. För en intervju begär du utsagan som besvarar en viss fråga och tillräckligt omgivande sammanhang för att göra den begriplig. Detta är uppgiftsutformningar för en användbar textleverans; de gör inte allmän ljudförståelse till en garanti för talarseparering, ordtidsstämplar eller identifiering av en onamngiven talare.
Tillverkaren beskriver funktionsanrop utifrån talad avsikt. I ett sådant flöde tillhandahåller applikationen funktionsdefinitioner, modellen föreslår det relevanta anropet och argumenten och applikationen kör det och returnerar observationen. En röstbegäran kan därför styra en uppslagning eller annan verktygsstödd uppgift, men modellens föreslagna anrop skiljer sig från en utförd åtgärd. Bevara det faktiska returnerade resultatet när samtalet fortsätter så att ett senare svar återspeglar vad som hände snarare än vad som begärdes.
Det publicerade användningskortet rekommenderar temperatur 0.0 för transkription och temperatur 0.2 med top_p 0.95 för ljudförståelse och chatt. Det anger att systemprompter inte stöds i det här flödet, så placera uppgiften och svarskraven i användarindata. Exemplen avkodar inspelningar till ljudindata och inkluderar MP3-material, men fastställer ingen uttömmande kodeklista eller separat strikt maximal utmatningslängd. Genereringsinställningen på 500 token i exemplen förblir en exempelbudget.
Förbered en tydlig inspelning som innehåller materialet som är relevant för uppgiften och ange om du behöver originalordalydelse, en översättning, ett svar eller en sammanfattning. Modellkortet demonstrerar också batchad inferens med flera samtal, ett användningsmönster hos producenten som är skilt från identiteten hos ett enskilt resultat. Bevara utgåvan 3B 2507 och dess längdråd för transkription respektive förståelse; den senare modellen Mini Transcribe 2:s talarseparering, 13-språksprofil och stöd för längre inspelningar är separata producentfunktioner.
POST /v1/audio/transcriptionsaudiotext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mistralai/voxtral-mini-3b-2507 | Standard— |
Fältinput_audio | Typobject | KravObligatoriskt | Värden & gränser | Standard— |
Fältlanguage | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Minimum: 0 Maximum: 1 | Standard— |
Fältresponse_format | Typstring | KravValfritt | Värden & gränser json, verbose_json | Standardjson |
Fälttimestamp_granularities | Typarray | KravValfritt | Värden & gränser | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser | Standard— |
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, input_audio |
Parametermaterial_types | Avtalaudio |
Parametermaterial_conditions | AvtalLäs en faktisk WAV-fil och koda dess verkliga byte för deklarerad JSON-indata i input_audio; ingen multipart-rutt anges för denna exakta deklaration med enbart JSON. |
Livscykel: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Det task_id som faktiskt returnerades eller en post i mediebiblioteket
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
De visade priserna används för att uppskatta kostnaden före genereringen. Den slutliga debiteringen beräknas utifrån den kostnad som registrerats för den ursprungliga genereringen. Uppmätt längd på resultatet och uppskattade mängder utgör inte den slutliga debiterbara mängden.
Tariffuppgifter lägger inte till begäransalternativ. Parametrar som stöds anges för den valda metoden.
Matcha varje avgift mot de visade villkoren. Använd ett pris för varje uppsättning alternativa konfigurationer.
| Konfiguration | Prislista | Prognostiserad mängd | Debiteringsenhet | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Prognostiserad mängd— | Debiteringsenhet— | Avgift Indata · Indatatoken · Uppskattning endast för jämförelse — / 1K token Utdata · Utdatatoken · Uppskattning endast för jämförelse — / 1K token Indata · Cacheläsning · Uppskattning endast för jämförelse — / 1K token Indata · Skrivning till cache · Uppskattning endast för jämförelse — / 1K token Indata · Skrivning till cache, 1 tim · Uppskattning endast för jämförelse — / 1K token |
| Konfigurationsekund inkommande ljud | Prislista— | Prognostiserad mängd— | Debiteringsenhetper sekund indataljud | Avgift Indata · sekund inkommande ljud · Uppskattning endast för jämförelse $0.0000333334 per sekund indataljud |
| KonfigurationUppskattad genereringskostnad | Prislista— | Prognostiserad mängduppskattning för en generering | Debiteringsenhet— | Avgift Utdata · Uppskattad genereringskostnad · Uppskattning endast för jämförelse $0.0000333334 uppskattning före generering Denna uppskattning är varken en extra avgift eller ett fast pris för den slutförda genereringen. |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${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.\nBehåll varje fullständigt returnerat svar, fil och innehållsdel.
Spara hela svaret med headers, samtliga faktiska resultat, de ursprungliga returnerade identifierarna och alla användningsfält. Hämta den ursprungliga operationen utan att skicka skapandeförfrågan igen.
Behåll det returnerade värdet för X-Client-Request-ID för avstämning. Läs endast av resultat via de task_id/asset_id-värden som faktiskt returnerades eller via det mediebibliotek som tillhör dig. Bygg aldrig en uppgifts-URL från operations-ID:t och skicka aldrig skapandeförfrågan igen.
| Fält | Typ |
|---|---|
Fälttext | Typ |
Fältusage | Typ |
Fältsegments[] | Typ |
Fältwords[] | Typ |
Fältspeaker fields | Typ |
Fälttimestamps | Typ |
Ailoot Ultra mistralai/voxtral-mini-3b-2507
Använd metodsökvägarna som visas ovan.