Voxtral Mini Transcribe 2 är Mistral AI:s transkriptionsinriktade Voxtral-utgåva som identifieras i producentens modellkort som voxtral-mini-2602. Den är utformad för inspelningsbaserad batchtranskription snarare än den bredare frågesvarsrollen hos den ursprungliga modellen Voxtral Mini 3B. Indata är ljud och resultatet är transkriberad text, som valfritt kan berikas med talaretiketter och tidsinformation. Praktiska användningar omfattar mötestranskriptioner, intervjuanalys, samtalsprotokoll med flera deltagare och text synkroniserad med inspelade medier.
Tillverkaren dokumenterar talarseparering och start-/sluttider så att en transkription kan visa vem som talade och när. Tidsstämplar på ordnivå stöder undertexter, ljudsökning och koppling mellan ett textavsnitt och dess position i en inspelning. Producentens guide tillåter tidsstämplar på segment- eller ordnivå. För en intervju är en användbar leverans en följd av avsnitt med angiven talare och tider; vid förberedelse av undertexter kan ord- eller segmenttider vägleda ett senare textningssteg i stället för att tvinga fram en härledning av tiderna ur vanlig transkriptionstext.
Kontextstyrning accepterar upp till 100 ord eller fraser som vägleder modellen mot avsedd stavning av namn, tekniska termer och domänspecifikt ordförråd. Mistral anger att funktionen är optimerad för engelska och att stöd för andra språk är experimentellt. Förbered en fokuserad ordlista från inspelningens ämne i stället för en orelaterad ordlista. Ett eget exempel kan tillhandahålla projektnamn och specialisttermer som sannolikt förekommer i en teknisk diskussion och sedan kontrollera stavningen i den färdiga transkriptionen.
Den här utgåvan stöder tretton språk: engelska, kinesiska, hindi, spanska, arabiska, franska, portugisiska, ryska, tyska, japanska, koreanska, italienska och nederländska. Tillverkaren dokumenterar också robusthet mot brus och inspelningar på upp till tre timmar i en enda begäran. Detta hör till Mini Transcribe 2:s inspelningsflöde; kontext- och längdangivelserna för den ursprungliga ljudförståelsemodellen 2507 beskriver en annan utgåva. Automatisk språkidentifiering finns, och guiden anger att ett uttryckligt angivet känt ljudspråk kan förbättra transkriptionsnoggrannheten.
I det dokumenterade producentflödet kan ljud tillhandahållas som en uppladdad fil, en tidigare uppladdad filidentifierare eller en refererad inspelning. Den medföljande uppladdningsdemonstrationen accepterar inspelningar i MP3, WAV, M4A, FLAC och OGG; välj ett av dessa format för det demonstrerade uppladdningsflödet. Håll inspelningen avkodningsbar och inkludera det relevanta talet. För långt material bevarar du dess identifierare och tidsnollpunkt så att senare utdrag eller ändringar fortfarande kan spåras till källan.
Transkriptionsreferensen returnerar texten och det identifierade språket, med segment när de begärs, och dokumenterar separat strömmade transkriptionshändelser. Talarseparering är valfri och har standardvärdet false. Guiden påpekar att timestamp_granularities och en uttrycklig språkinställning för närvarande inte är kompatibla, så välj önskat tidsflöde eller den manuella språkledtråden i stället för att kombinera dem. Transkription med talaretiketter, ordlistestyrning och tidsinformation bör väljas utifrån det avsedda resultatet snarare än förutsättas i en grundläggande begäran.
Överlappande tal är en innehållslig begränsning: Mistral anger att modellen vanligtvis transkriberar en talare när flera talar samtidigt. En transkription med talaretiketter ska därför inte behandlas som en uttömmande redogörelse för varje samtidigt yttrande. För ett mötesprotokoll granskar du svåra överlappningar och viktiga namn eller siffror mot inspelningen. Modellens syfte är transkription; en sammanfattning, översättning eller analys kan vara en separat uppgift byggd på transkriptionen. Voxtral Realtime har en separat latensprofil för livetranskription, medan talgenerering hör till andra modeller.
Förbered resultatet för nästa användning. Ett mötesflöde kan bevara transkriptionen, talaretiketterna och tidsinformationen innan ett separat steg extraherar beslut; ett medieflöde kan använda tiderna för att lokalisera avsnitt och utarbeta undertexter; en terminologitung inspelning kan inkludera den fokuserade kontextstyrningslistan och en granskning av den resulterande stavningen. Den användbara leveransen är text knuten till sin källinspelning och konfigurerade metadata, med denna numrerade transkriptionsutgåva skild från den ursprungliga Mini-modellen och föränderliga latest-namn.
", "aboutText": "Voxtral Mini Transcribe 2 är Mistral AI:s transkriptionsinriktade Voxtral-utgåva som identifieras i producentens modellkort som voxtral-mini-2602. Den är utformad för inspelningsbaserad batchtranskription snarare än den bredare frågesvarsrollen hos den ursprungliga modellen Voxtral Mini 3B. Indata är ljud och resultatet är transkriberad text, som valfritt kan berikas med talaretiketter och tidsinformation. Praktiska användningar omfattar mötestranskriptioner, intervjuanalys, samtalsprotokoll med flera deltagare och text synkroniserad med inspelade medier.\n\nTillverkaren dokumenterar talarseparering och start-/sluttider så att en transkription kan visa vem som talade och när. Tidsstämplar på ordnivå stöder undertexter, ljudsökning och koppling mellan ett textavsnitt och dess position i en inspelning. Producentens guide tillåter tidsstämplar på segment- eller ordnivå. För en intervju är en användbar leverans en följd av avsnitt med angiven talare och tider; vid förberedelse av undertexter kan ord- eller segmenttider vägleda ett senare textningssteg i stället för att tvinga fram en härledning av tiderna ur vanlig transkriptionstext.\n\nKontextstyrning accepterar upp till 100 ord eller fraser som vägleder modellen mot avsedd stavning av namn, tekniska termer och domänspecifikt ordförråd. Mistral anger att funktionen är optimerad för engelska och att stöd för andra språk är experimentellt. Förbered en fokuserad ordlista från inspelningens ämne i stället för en orelaterad ordlista. Ett eget exempel kan tillhandahålla projektnamn och specialisttermer som sannolikt förekommer i en teknisk diskussion och sedan kontrollera stavningen i den färdiga transkriptionen.\n\nDen här utgåvan stöder tretton språk: engelska, kinesiska, hindi, spanska, arabiska, franska, portugisiska, ryska, tyska, japanska, koreanska, italienska och nederländska. Tillverkaren dokumenterar också robusthet mot brus och inspelningar på upp till tre timmar i en enda begäran. Detta hör till Mini Transcribe 2:s inspelningsflöde; kontext- och längdangivelserna för den ursprungliga ljudförståelsemodellen 2507 beskriver en annan utgåva. Automatisk språkidentifiering finns, och guiden anger att ett uttryckligt angivet känt ljudspråk kan förbättra transkriptionsnoggrannheten.\n\nI det dokumenterade producentflödet kan ljud tillhandahållas som en uppladdad fil, en tidigare uppladdad filidentifierare eller en refererad inspelning. Den medföljande uppladdningsdemonstrationen accepterar inspelningar i MP3, WAV, M4A, FLAC och OGG; välj ett av dessa format för det demonstrerade uppladdningsflödet. Håll inspelningen avkodningsbar och inkludera det relevanta talet. För långt material bevarar du dess identifierare och tidsnollpunkt så att senare utdrag eller ändringar fortfarande kan spåras till källan.\n\nTranskriptionsreferensen returnerar texten och det identifierade språket, med segment när de begärs, och dokumenterar separat strömmade transkriptionshändelser. Talarseparering är valfri och har standardvärdet false. Guiden påpekar att timestamp_granularities och en uttrycklig språkinställning för närvarande inte är kompatibla, så välj önskat tidsflöde eller den manuella språkledtråden i stället för att kombinera dem. Transkription med talaretiketter, ordlistestyrning och tidsinformation bör väljas utifrån det avsedda resultatet snarare än förutsättas i en grundläggande begäran.\n\nÖverlappande tal är en innehållslig begränsning: Mistral anger att modellen vanligtvis transkriberar en talare när flera talar samtidigt. En transkription med talaretiketter ska därför inte behandlas som en uttömmande redogörelse för varje samtidigt yttrande. För ett mötesprotokoll granskar du svåra överlappningar och viktiga namn eller siffror mot inspelningen. Modellens syfte är transkription; en sammanfattning, översättning eller analys kan vara en separat uppgift byggd på transkriptionen. Voxtral Realtime har en separat latensprofil för livetranskription, medan talgenerering hör till andra modeller.\n\nFörbered resultatet för nästa användning. Ett mötesflöde kan bevara transkriptionen, talaretiketterna och tidsinformationen innan ett separat steg extraherar beslut; ett medieflöde kan använda tiderna för att lokalisera avsnitt och utarbeta undertexter; en terminologitung inspelning kan inkludera den fokuserade kontextstyrningslistan och en granskning av den resulterande stavningen. Den användbara leveransen är text knuten till sin källinspelning och konfigurerade metadata, med denna numrerade transkriptionsutgåva skild från den ursprungliga Mini-modellen och föränderliga latest-namn.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "c1e4ec107ade2f9ac010e47dc6d12ab4a4bc2f115268b57d77d5b0741a94093c", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "sv", "methods": [ { "html": "mistralai/voxtral-mini-transcribeVoxtral Mini Transcribe 2 omvandlar inspelningar till text med talarseparering, tidsstämplar på ordnivå och styrning med en ordlista. Mistral dokumenterar 13 språk och inspelningar på upp till tre timmar för den här transkriptionsinriktade utgåvan, skild från Voxtral Realtime.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Voxtral Mini Transcribe 2 är Mistral AI:s transkriptionsinriktade Voxtral-utgåva som identifieras i producentens modellkort som voxtral-mini-2602. Den är utformad för inspelningsbaserad batchtranskription snarare än den bredare frågesvarsrollen hos den ursprungliga modellen Voxtral Mini 3B. Indata är ljud och resultatet är transkriberad text, som valfritt kan berikas med talaretiketter och tidsinformation. Praktiska användningar omfattar mötestranskriptioner, intervjuanalys, samtalsprotokoll med flera deltagare och text synkroniserad med inspelade medier.
Tillverkaren dokumenterar talarseparering och start-/sluttider så att en transkription kan visa vem som talade och när. Tidsstämplar på ordnivå stöder undertexter, ljudsökning och koppling mellan ett textavsnitt och dess position i en inspelning. Producentens guide tillåter tidsstämplar på segment- eller ordnivå. För en intervju är en användbar leverans en följd av avsnitt med angiven talare och tider; vid förberedelse av undertexter kan ord- eller segmenttider vägleda ett senare textningssteg i stället för att tvinga fram en härledning av tiderna ur vanlig transkriptionstext.
Kontextstyrning accepterar upp till 100 ord eller fraser som vägleder modellen mot avsedd stavning av namn, tekniska termer och domänspecifikt ordförråd. Mistral anger att funktionen är optimerad för engelska och att stöd för andra språk är experimentellt. Förbered en fokuserad ordlista från inspelningens ämne i stället för en orelaterad ordlista. Ett eget exempel kan tillhandahålla projektnamn och specialisttermer som sannolikt förekommer i en teknisk diskussion och sedan kontrollera stavningen i den färdiga transkriptionen.
Den här utgåvan stöder tretton språk: engelska, kinesiska, hindi, spanska, arabiska, franska, portugisiska, ryska, tyska, japanska, koreanska, italienska och nederländska. Tillverkaren dokumenterar också robusthet mot brus och inspelningar på upp till tre timmar i en enda begäran. Detta hör till Mini Transcribe 2:s inspelningsflöde; kontext- och längdangivelserna för den ursprungliga ljudförståelsemodellen 2507 beskriver en annan utgåva. Automatisk språkidentifiering finns, och guiden anger att ett uttryckligt angivet känt ljudspråk kan förbättra transkriptionsnoggrannheten.
I det dokumenterade producentflödet kan ljud tillhandahållas som en uppladdad fil, en tidigare uppladdad filidentifierare eller en refererad inspelning. Den medföljande uppladdningsdemonstrationen accepterar inspelningar i MP3, WAV, M4A, FLAC och OGG; välj ett av dessa format för det demonstrerade uppladdningsflödet. Håll inspelningen avkodningsbar och inkludera det relevanta talet. För långt material bevarar du dess identifierare och tidsnollpunkt så att senare utdrag eller ändringar fortfarande kan spåras till källan.
Transkriptionsreferensen returnerar texten och det identifierade språket, med segment när de begärs, och dokumenterar separat strömmade transkriptionshändelser. Talarseparering är valfri och har standardvärdet false. Guiden påpekar att timestamp_granularities och en uttrycklig språkinställning för närvarande inte är kompatibla, så välj önskat tidsflöde eller den manuella språkledtråden i stället för att kombinera dem. Transkription med talaretiketter, ordlistestyrning och tidsinformation bör väljas utifrån det avsedda resultatet snarare än förutsättas i en grundläggande begäran.
Överlappande tal är en innehållslig begränsning: Mistral anger att modellen vanligtvis transkriberar en talare när flera talar samtidigt. En transkription med talaretiketter ska därför inte behandlas som en uttömmande redogörelse för varje samtidigt yttrande. För ett mötesprotokoll granskar du svåra överlappningar och viktiga namn eller siffror mot inspelningen. Modellens syfte är transkription; en sammanfattning, översättning eller analys kan vara en separat uppgift byggd på transkriptionen. Voxtral Realtime har en separat latensprofil för livetranskription, medan talgenerering hör till andra modeller.
Förbered resultatet för nästa användning. Ett mötesflöde kan bevara transkriptionen, talaretiketterna och tidsinformationen innan ett separat steg extraherar beslut; ett medieflöde kan använda tiderna för att lokalisera avsnitt och utarbeta undertexter; en terminologitung inspelning kan inkludera den fokuserade kontextstyrningslistan och en granskning av den resulterande stavningen. Den användbara leveransen är text knuten till sin källinspelning och konfigurerade metadata, med denna numrerade transkriptionsutgåva skild från den ursprungliga Mini-modellen och föränderliga latest-namn.
POST /v1/audio/transcriptionsaudiotext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mistralai/voxtral-mini-transcribe | Standard— |
Fältinput_audio | Typobject | KravObligatoriskt | Värden & gränser | Standard— |
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, input_audio |
Parametermaterial_types | Avtalaudio |
Parametermaterial_conditions | AvtalExemplet läser din faktiska, icke-tomma PCM WAV-fil, kodar filens samtliga byte som base64 och skickar input_audio.format som wav. |
Livscykel: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · exakt task_id från en befintlig mediepost som du äger
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
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 | Debiteringsenhet | Avgift |
|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Debiteringsenhet— | Avgift Indata · Indatatoken — / 1K token Utdata · Utdatatoken — / 1K token Indata · Cacheläsning — / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| Konfigurationsekund inkommande ljud | Prislista— | Debiteringsenhetper sekund indataljud | Avgift Indata · sekund inkommande ljud $0.0001 per sekund indataljud |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}"\nexport AILOOT_AUDIO_FILE\npython3 - <<'PY_REQUEST'\nimport base64, io, json, os, wave\nfrom pathlib import Path\naudio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):\n raise SystemExit('Supply your actual PCM WAV audio file')\nwith wave.open(io.BytesIO(audio), 'rb') as recording:\n if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:\n raise SystemExit('Supply a nonempty PCM WAV recording')\nrequest = {'model': 'mistralai/voxtral-mini-transcribe', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}\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# Retain the complete original response, headers and actual X-Client-Request-ID.\n# Read existing owned records for recovery; do not resubmit an uncertain operation.\nHela den ursprungliga svarskroppen, statusen och vidarebefordrade svarshuvuden. Denna hanterare lägger inte till någon universell JSON-struktur, något textfält eller något uppgiftshölje.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Behåll 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 faktiskt X-Client-Request-ID och hela svaret. Läs de ursprungliga tillgångarna som du äger och deras exakta signerade innehållslänkar; skicka aldrig en osäker skapandebegäran igen.
| Fält | Typ |
|---|---|
Fälttext (when present) | Typ |
Fältusage (when present) | Typ |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorJSON-kroppen eller det uttryckliga kanoniska modell-ID:t är ogiltigt. | Nästa stegBehåll svaret och korrigera det angivna fältet i begäran. |
Svar401 · authentication_error | VillkorAPI-nyckeln för Ailoot är ogiltig. | Nästa stegAnvänd din behöriga API-nyckel för Ailoot. |
Svar403 · permission_error | VillkorNyckelgruppen ger inte tillträde till denna metod. | Nästa stegBehåll de returnerade feluppgifterna. |
Svar404 · not_found_error | VillkorDen valda metoden har ingen tillåten rutt. | Nästa stegBehåll de returnerade feluppgifterna. |
Svar422 · price_unavailable | VillkorDen accepterade tariffen kan inte fastställa den mängd eller gräns för indata som krävs. | Nästa stegBehåll svaret; använd den representation av indata som den accepterade tariffen kräver. |
Svar503 · | VillkorNödvändig lagring, rutt, metodpris eller reservation är inte tillgänglig. | Nästa stegBehåll hela det ursprungliga svaret. En osäker reservation ger inte tillstånd att skicka in igen. |
Svar502 · server_error | VillkorDet ursprungliga resultatet, förbrukningen eller avräkningen kräver kontroll. | Nästa stegBehåll det faktiska begärans-ID:t och det ursprungliga svaret. Läs den befintliga posten som du äger; skicka inte skapandebegäran igen. |
Ailoot Ultra mistralai/voxtral-mini-transcribe
Använd metodsökvägarna som visas ovan.