Voxtral Small 1.0 24B 2507 tillför ljudindata och talförståelse till en Mistral Small-språkmodell som bas. Den tar emot ljud och text och returnerar text, inklusive en transkription, ett svar om inspelningen, en översättning eller en strukturerad sammanfattning. Detta är den namngivna utgåvan för talförståelse med 24 miljarder parametrar, skild från Voxtral Mini, tjänstevarianter optimerade för transkription och senare Voxtral-utgåvor för talgenerering eller realtid.
Transkription och ljudförståelse
Modellen har ett särskilt läge för ren transkription. Tillverkaren anger att den som standard automatiskt förutsäger källjudets språk och transkriberar därefter. Använd läget när den önskade leveransen är själva de talade orden snarare än en tolkning eller sammanfattning. Ange om resultatet ska bevara originalspråket eller följas av en separat begärd översättning.
Ljudförståelse gör det möjligt att ställa en fråga direkt om en inspelning, utan att först koppla ihop en separat taligenkänningsmodell och textmodell. En begäran kan fråga vilket ämne som diskuterades, vilket beslut som uttalades eller vilken information i inspelningen som besvarar en specifik fråga. Resultatet kan vara ett kortfattat svar eller en organiserad sammanfattning snarare än en fullständig transkription av varje talat ord.
För en mötessammanfattning tillhandahåller du inspelningen och definierar fälten som ska returneras: ämnen, uttryckligen uttalade beslut och uppföljningsåtgärder. Begär namn eller datum bara när inspelningen faktiskt anger dem och håll olösta detaljer skilda från besluten. För en intervju begär du svaret på en viss fråga och det omgivande sammanhang som gör det begripligt. Dessa utdatautformningar knyter ljuduppgiften till ett dokument som någon kan använda efteråt.
Kontext, längd och språk
Tillverkaren dokumenterar en kontext på 32k token och ljud på upp till 30 minuter för transkription eller 40 minuter för förståelse. De två längdangivelserna gäller olika uppgifter. Välj önskad operation innan du väljer inspelningen och inkludera textinstruktionen och samtalet när du planerar den tillgängliga kontexten. En lång inspelning och ett långt skriftligt svar förbrukar båda resurser; längdangivelsen är inte ett separat löfte om obegränsad svarslängd.
Utgåvan anger engelska, spanska, franska, portugisiska, hindi, tyska, nederländska och italienska bland de huvudsakligen stödda språken och erbjuder automatisk språkidentifiering. För talöversättning anger du målspråket och eventuella termer som ska behålla sin ursprungliga form. För en fråga om ljud på ett språk skiljer du inspelningens språk från språket som svaret ska skrivas på.
Flera inspelningar och följdfrågor
Modellkortet stöder flera ljudindata i ett meddelande och ljud i flera användarturer. Ge varje inspelning en identifierare och ange dess roll när de jämförs. En praktisk begäran kan jämföra två versioner av en talad förklaring, fråga vilka villkor som ändrats och returnera en tabell med en separat kolumn för varje inspelning. Identifierare hjälper till att hålla modellens slutsatser kopplade till rätt källa.
En uppföljning kan behålla den tidigare frågan och svaret och samtidigt efterfråga en snävare detalj eller tillhandahålla en annan inspelning. Begär exempelvis först besluten från en diskussion och fråga sedan vilket beslut som gäller ett visst krav. Samma utgåva demonstrerar också begäranden med enbart text och enbart ljud. Dess textbas kan arbeta med den skriftliga frågan eller resultatet, medan ljudfunktionen ger underlag från tal.
Röststyrda funktioner
Tillverkaren beskriver funktionsanrop utifrån talad avsikt och märker det publicerade modellkortets exempel på funktionsanrop som experimentellt stöd. I det här flödet definierar applikationen en funktion och dess argument, modellen förbereder ett anrop utifrån begäran och applikationen kör det och tillhandahåller resultatet. En röstbaserad uppslagning kan därför returnera ett skriftligt svar med information från ett anslutet verktyg. Funktionsanrop innebär inte att modellen automatiskt äger den externa tjänsten eller utför en åtgärd bara genom att namnge den.
Håll funktionens syfte och nödvändig information tydliga. Om inspelningen begär en operation men utelämnar ett obligatoriskt värde behöver applikationen fortfarande värdet för att köra funktionen. Skilj den talade begäran, föreslagna argument och returnerat resultat åt så att nästa svar kan hänvisa till operationens faktiska utfall.
Rekommenderade inställningar och användbara avgränsningar
För ljudförståelse och chattkomplettering rekommenderar modellkortet temperatur 0.2 och top-p 0.95. För transkription rekommenderas temperatur 0.0. Det anger uttryckligen att systemprompter inte stöds i det här publicerade användningsflödet, så placera uppgiften och svarskraven i användarindata i stället för att överföra en systempromptkonvention från en annan Mistral-modell.
Välj en inspelning som innehåller materialet som är relevant för frågan, håll talet tydligt hörbart och ange om resultatet ska vara en transkription, översättning, ett svar eller en sammanfattning. Dokumenterade utdata är text. Ett talat svar behöver en text-till-tal-komponent, och talaridentifiering, detaljerad talarseparering eller tidsstämplar på ordnivå ska inte härledas ur det allmänna påståendet om ljudförståelse för just den här utgåvan.
Modellkortets genereringsexempel på 500 token är exempelinställningar, inte en separat angiven maximal utmatningskapacitet. Bevara utgåvan 2507, de uppgiftsspecifika längdråden och indataspråket när du förbereder ett repeterbart arbetsflöde. Den användbara slutliga leveransen är den begärda texten, kopplad till inspelningen och formaterad för nästa dokument- eller applikationssteg.
", "aboutText": "Voxtral Small 1.0 24B 2507 tillför ljudindata och talförståelse till en Mistral Small-språkmodell som bas. Den tar emot ljud och text och returnerar text, inklusive en transkription, ett svar om inspelningen, en översättning eller en strukturerad sammanfattning. Detta är den namngivna utgåvan för talförståelse med 24 miljarder parametrar, skild från Voxtral Mini, tjänstevarianter optimerade för transkription och senare Voxtral-utgåvor för talgenerering eller realtid.\n\nTranskription och ljudförståelse\n\nModellen har ett särskilt läge för ren transkription. Tillverkaren anger att den som standard automatiskt förutsäger källjudets språk och transkriberar därefter. Använd läget när den önskade leveransen är själva de talade orden snarare än en tolkning eller sammanfattning. Ange om resultatet ska bevara originalspråket eller följas av en separat begärd översättning.\n\nLjudförståelse gör det möjligt att ställa en fråga direkt om en inspelning, utan att först koppla ihop en separat taligenkänningsmodell och textmodell. En begäran kan fråga vilket ämne som diskuterades, vilket beslut som uttalades eller vilken information i inspelningen som besvarar en specifik fråga. Resultatet kan vara ett kortfattat svar eller en organiserad sammanfattning snarare än en fullständig transkription av varje talat ord.\n\nFör en mötessammanfattning tillhandahåller du inspelningen och definierar fälten som ska returneras: ämnen, uttryckligen uttalade beslut och uppföljningsåtgärder. Begär namn eller datum bara när inspelningen faktiskt anger dem och håll olösta detaljer skilda från besluten. För en intervju begär du svaret på en viss fråga och det omgivande sammanhang som gör det begripligt. Dessa utdatautformningar knyter ljuduppgiften till ett dokument som någon kan använda efteråt.\n\nKontext, längd och språk\n\nTillverkaren dokumenterar en kontext på 32k token och ljud på upp till 30 minuter för transkription eller 40 minuter för förståelse. De två längdangivelserna gäller olika uppgifter. Välj önskad operation innan du väljer inspelningen och inkludera textinstruktionen och samtalet när du planerar den tillgängliga kontexten. En lång inspelning och ett långt skriftligt svar förbrukar båda resurser; längdangivelsen är inte ett separat löfte om obegränsad svarslängd.\n\nUtgåvan anger engelska, spanska, franska, portugisiska, hindi, tyska, nederländska och italienska bland de huvudsakligen stödda språken och erbjuder automatisk språkidentifiering. För talöversättning anger du målspråket och eventuella termer som ska behålla sin ursprungliga form. För en fråga om ljud på ett språk skiljer du inspelningens språk från språket som svaret ska skrivas på.\n\nFlera inspelningar och följdfrågor\n\nModellkortet stöder flera ljudindata i ett meddelande och ljud i flera användarturer. Ge varje inspelning en identifierare och ange dess roll när de jämförs. En praktisk begäran kan jämföra två versioner av en talad förklaring, fråga vilka villkor som ändrats och returnera en tabell med en separat kolumn för varje inspelning. Identifierare hjälper till att hålla modellens slutsatser kopplade till rätt källa.\n\nEn uppföljning kan behålla den tidigare frågan och svaret och samtidigt efterfråga en snävare detalj eller tillhandahålla en annan inspelning. Begär exempelvis först besluten från en diskussion och fråga sedan vilket beslut som gäller ett visst krav. Samma utgåva demonstrerar också begäranden med enbart text och enbart ljud. Dess textbas kan arbeta med den skriftliga frågan eller resultatet, medan ljudfunktionen ger underlag från tal.\n\nRöststyrda funktioner\n\nTillverkaren beskriver funktionsanrop utifrån talad avsikt och märker det publicerade modellkortets exempel på funktionsanrop som experimentellt stöd. I det här flödet definierar applikationen en funktion och dess argument, modellen förbereder ett anrop utifrån begäran och applikationen kör det och tillhandahåller resultatet. En röstbaserad uppslagning kan därför returnera ett skriftligt svar med information från ett anslutet verktyg. Funktionsanrop innebär inte att modellen automatiskt äger den externa tjänsten eller utför en åtgärd bara genom att namnge den.\n\nHåll funktionens syfte och nödvändig information tydliga. Om inspelningen begär en operation men utelämnar ett obligatoriskt värde behöver applikationen fortfarande värdet för att köra funktionen. Skilj den talade begäran, föreslagna argument och returnerat resultat åt så att nästa svar kan hänvisa till operationens faktiska utfall.\n\nRekommenderade inställningar och användbara avgränsningar\n\nFör ljudförståelse och chattkomplettering rekommenderar modellkortet temperatur 0.2 och top-p 0.95. För transkription rekommenderas temperatur 0.0. Det anger uttryckligen att systemprompter inte stöds i det här publicerade användningsflödet, så placera uppgiften och svarskraven i användarindata i stället för att överföra en systempromptkonvention från en annan Mistral-modell.\n\nVälj en inspelning som innehåller materialet som är relevant för frågan, håll talet tydligt hörbart och ange om resultatet ska vara en transkription, översättning, ett svar eller en sammanfattning. Dokumenterade utdata är text. Ett talat svar behöver en text-till-tal-komponent, och talaridentifiering, detaljerad talarseparering eller tidsstämplar på ordnivå ska inte härledas ur det allmänna påståendet om ljudförståelse för just den här utgåvan.\n\nModellkortets genereringsexempel på 500 token är exempelinställningar, inte en separat angiven maximal utmatningskapacitet. Bevara utgåvan 2507, de uppgiftsspecifika längdråden och indataspråket när du förbereder ett repeterbart arbetsflöde. Den användbara slutliga leveransen är den begärda texten, kopplad till inspelningen och formaterad för nästa dokument- eller applikationssteg.", "editorialOverlay": { "copy_fields": { "practical_html": "Tekniskt exempel på engelska
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 är en modell för text och ljud, avsedd för transkription, talöversättning, frågor och sammanfattningar. Tillverkaren dokumenterar en kontext på 32k token, upp till 30 minuter för transkription eller 40 minuter för förståelse, flera ljudindata och textresultat.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Voxtral Small 1.0 24B 2507 tillför ljudindata och talförståelse till en Mistral Small-språkmodell som bas. Den tar emot ljud och text och returnerar text, inklusive en transkription, ett svar om inspelningen, en översättning eller en strukturerad sammanfattning. Detta är den namngivna utgåvan för talförståelse med 24 miljarder parametrar, skild från Voxtral Mini, tjänstevarianter optimerade för transkription och senare Voxtral-utgåvor för talgenerering eller realtid.
Transkription och ljudförståelse
Modellen har ett särskilt läge för ren transkription. Tillverkaren anger att den som standard automatiskt förutsäger källjudets språk och transkriberar därefter. Använd läget när den önskade leveransen är själva de talade orden snarare än en tolkning eller sammanfattning. Ange om resultatet ska bevara originalspråket eller följas av en separat begärd översättning.
Ljudförståelse gör det möjligt att ställa en fråga direkt om en inspelning, utan att först koppla ihop en separat taligenkänningsmodell och textmodell. En begäran kan fråga vilket ämne som diskuterades, vilket beslut som uttalades eller vilken information i inspelningen som besvarar en specifik fråga. Resultatet kan vara ett kortfattat svar eller en organiserad sammanfattning snarare än en fullständig transkription av varje talat ord.
För en mötessammanfattning tillhandahåller du inspelningen och definierar fälten som ska returneras: ämnen, uttryckligen uttalade beslut och uppföljningsåtgärder. Begär namn eller datum bara när inspelningen faktiskt anger dem och håll olösta detaljer skilda från besluten. För en intervju begär du svaret på en viss fråga och det omgivande sammanhang som gör det begripligt. Dessa utdatautformningar knyter ljuduppgiften till ett dokument som någon kan använda efteråt.
Kontext, längd och språk
Tillverkaren dokumenterar en kontext på 32k token och ljud på upp till 30 minuter för transkription eller 40 minuter för förståelse. De två längdangivelserna gäller olika uppgifter. Välj önskad operation innan du väljer inspelningen och inkludera textinstruktionen och samtalet när du planerar den tillgängliga kontexten. En lång inspelning och ett långt skriftligt svar förbrukar båda resurser; längdangivelsen är inte ett separat löfte om obegränsad svarslängd.
Utgåvan anger engelska, spanska, franska, portugisiska, hindi, tyska, nederländska och italienska bland de huvudsakligen stödda språken och erbjuder automatisk språkidentifiering. För talöversättning anger du målspråket och eventuella termer som ska behålla sin ursprungliga form. För en fråga om ljud på ett språk skiljer du inspelningens språk från språket som svaret ska skrivas på.
Flera inspelningar och följdfrågor
Modellkortet stöder flera ljudindata i ett meddelande och ljud i flera användarturer. Ge varje inspelning en identifierare och ange dess roll när de jämförs. En praktisk begäran kan jämföra två versioner av en talad förklaring, fråga vilka villkor som ändrats och returnera en tabell med en separat kolumn för varje inspelning. Identifierare hjälper till att hålla modellens slutsatser kopplade till rätt källa.
En uppföljning kan behålla den tidigare frågan och svaret och samtidigt efterfråga en snävare detalj eller tillhandahålla en annan inspelning. Begär exempelvis först besluten från en diskussion och fråga sedan vilket beslut som gäller ett visst krav. Samma utgåva demonstrerar också begäranden med enbart text och enbart ljud. Dess textbas kan arbeta med den skriftliga frågan eller resultatet, medan ljudfunktionen ger underlag från tal.
Röststyrda funktioner
Tillverkaren beskriver funktionsanrop utifrån talad avsikt och märker det publicerade modellkortets exempel på funktionsanrop som experimentellt stöd. I det här flödet definierar applikationen en funktion och dess argument, modellen förbereder ett anrop utifrån begäran och applikationen kör det och tillhandahåller resultatet. En röstbaserad uppslagning kan därför returnera ett skriftligt svar med information från ett anslutet verktyg. Funktionsanrop innebär inte att modellen automatiskt äger den externa tjänsten eller utför en åtgärd bara genom att namnge den.
Håll funktionens syfte och nödvändig information tydliga. Om inspelningen begär en operation men utelämnar ett obligatoriskt värde behöver applikationen fortfarande värdet för att köra funktionen. Skilj den talade begäran, föreslagna argument och returnerat resultat åt så att nästa svar kan hänvisa till operationens faktiska utfall.
Rekommenderade inställningar och användbara avgränsningar
För ljudförståelse och chattkomplettering rekommenderar modellkortet temperatur 0.2 och top-p 0.95. För transkription rekommenderas temperatur 0.0. Det anger uttryckligen att systemprompter inte stöds i det här publicerade användningsflödet, så placera uppgiften och svarskraven i användarindata i stället för att överföra en systempromptkonvention från en annan Mistral-modell.
Välj en inspelning som innehåller materialet som är relevant för frågan, håll talet tydligt hörbart och ange om resultatet ska vara en transkription, översättning, ett svar eller en sammanfattning. Dokumenterade utdata är text. Ett talat svar behöver en text-till-tal-komponent, och talaridentifiering, detaljerad talarseparering eller tidsstämplar på ordnivå ska inte härledas ur det allmänna påståendet om ljudförståelse för just den här utgåvan.
Modellkortets genereringsexempel på 500 token är exempelinställningar, inte en separat angiven maximal utmatningskapacitet. Bevara utgåvan 2507, de uppgiftsspecifika längdråden och indataspråket när du förbereder ett repeterbart arbetsflöde. Den användbara slutliga leveransen är den begärda texten, kopplad till inspelningen och formaterad för nästa dokument- eller applikationssteg.
POST /v1/chat/completionstexttext| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mistralai/voxtral-small-24b-2507 | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser Minsta antal objekt: 1 | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser Exempel: system, user, assistant, tool, function Villkor: Dessa roller representeras uttryckligen av källkodens kompatibilitetstyper; den exakta rolluppsättningen är fortfarande modellspecifik. Beror på modellen | Standard— |
Fältmessages[].content | Typstring|content_part[]|null | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_calls | Typtool_call[] | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].tool_call_id | Typstring | KravValfritt | Värden & gränser Gäller när: role=tool; använd det faktiska returnerade ID:t | Standard— |
Fältmessages[].name | Typstring | KravValfritt | Värden & gränser | Standard— |
Fältmessages[].reasoning_content | Typstring | KravValfritt | Värden & gränser Gäller när: Skicka tillbaka det faktiska returnerade resonemanget när modellen använder det | Standard— |
Fältmessages[].reasoning_details | Typobject|array | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmax_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältmax_completion_tokens | Typinteger | KravValfritt | Värden & gränser Minimum: 1 Beror på modellen | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Fältstream_options.include_usage | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttemperature | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttop_p | Typnumber | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältstop | Typstring|string[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools | Typfunction_tool[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fälttools[].type | Typstring | KravValfritt | Värden & gränser function Beror på modellen | Standard— |
Fälttools[].function.name | Typstring | KravObligatoriskt | Värden & gränser Gäller när: verktyg av typen funktion har tillhandahållits | Standard— |
Fälttools[].function.description | Typstring | KravValfritt | Värden & gränser | Standard— |
Fälttools[].function.parameters | TypJSON_schema | KravValfritt | Värden & gränser | Standard— |
Fälttool_choice | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältparallel_tool_calls | Typboolean | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältresponse_format | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning_effort | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältreasoning | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältservice_tier | Typstring | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältinstructions | Typstring | KravValfritt | Värden & gränser Kompatibilitetsfält | Standard— |
Fältfunctions | Typfunction[] | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältfunction_call | Typstring|object | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältprompt_cache_options | Typobject | KravValfritt | Värden & gränser Beror på modellen | Standard— |
Fältmodalities | Typstring[] | KravValfritt | Värden & gränser text | Standard— |
Fältprovider | Typobject | KravValfritt | Värden & gränser Villkor: provider.options avvisas på denna Ultra-textrutt | Standard— |
Fältcache_control.ttl | Typstring | KravValfritt | Värden & gränser Villkor: 1h avvisas på de faktiska platserna för promptcache | Standard— |
Text · UTF8-text
messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages |
Parametermaterial_types | Avtaltext |
Parametermessages | Avtalmeddelandearray med strukturen role/content |
Parameterfile_material | Avtaldet faktiska UTF-8-dokumentet infogat som bokstavlig text; inget fil-ID härleds |
Parameteroptional_controls | Avtalstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Avtalmodellspecifikt; användarens funktionsverktyg skiljer sig från värdbaserade verktyg |
Parameteroutput_modalities | Avtaltext |
Parameterhosted_operations | Avtalfalse |
Parametermultimodal_input_binding | Avtalnull |
Livscykel: synchronous_or_streamed
Skicka det exakta modell-ID:t tillsammans med messages.
Kontextlängden är inte en utdatagräns.
En textfil kan tillhandahålla bokstavlig text; bild-/ljud-/filobjektsindata kräver exakt bindning.
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 | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0002 / 1K token Utdata · Utdatatoken $0.0006 / 1K token Indata · Cacheläsning $0.00002 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0002 / 1K token Utdata · Utdatatoken $0.0006 / 1K token Indata · Cacheläsning $0.00002 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\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 eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll varje svarsalternativ och dess innehåll/verktygsanrop/resonemang. Sätt i SSE samman deltauppdateringar efter svarsalternativets/verktygets index och behåll den slutliga avslutsorsaken och användningsuppgifterna.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältchoices[].index | Typinteger |
Fältchoices[].message.content | Typstring|null |
Fältchoices[].message.tool_calls | Typtool_call[] |
Fältchoices[].message.reasoning_content | Typstring |
Fältchoices[].message.reasoning_details | Typobject|array |
Fältchoices[].finish_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra mistralai/voxtral-small-24b-2507
Använd metodsökvägarna som visas ovan.
mistralai/voxtral-small-24b-2507Voxtral Small 1.0 24B 2507 är en modell för text och ljud, avsedd för transkription, talöversättning, frågor och sammanfattningar. Tillverkaren dokumenterar en kontext på 32k token, upp till 30 minuter för transkription eller 40 minuter för förståelse, flera ljudindata och textresultat.
Den här beskrivningen omfattar modellens förmågor. Tillgängliga indata, utdata och alternativ i Ailoot anges nedan för den valda metoden.
Voxtral Small 1.0 24B 2507 tillför ljudindata och talförståelse till en Mistral Small-språkmodell som bas. Den tar emot ljud och text och returnerar text, inklusive en transkription, ett svar om inspelningen, en översättning eller en strukturerad sammanfattning. Detta är den namngivna utgåvan för talförståelse med 24 miljarder parametrar, skild från Voxtral Mini, tjänstevarianter optimerade för transkription och senare Voxtral-utgåvor för talgenerering eller realtid.
Transkription och ljudförståelse
Modellen har ett särskilt läge för ren transkription. Tillverkaren anger att den som standard automatiskt förutsäger källjudets språk och transkriberar därefter. Använd läget när den önskade leveransen är själva de talade orden snarare än en tolkning eller sammanfattning. Ange om resultatet ska bevara originalspråket eller följas av en separat begärd översättning.
Ljudförståelse gör det möjligt att ställa en fråga direkt om en inspelning, utan att först koppla ihop en separat taligenkänningsmodell och textmodell. En begäran kan fråga vilket ämne som diskuterades, vilket beslut som uttalades eller vilken information i inspelningen som besvarar en specifik fråga. Resultatet kan vara ett kortfattat svar eller en organiserad sammanfattning snarare än en fullständig transkription av varje talat ord.
För en mötessammanfattning tillhandahåller du inspelningen och definierar fälten som ska returneras: ämnen, uttryckligen uttalade beslut och uppföljningsåtgärder. Begär namn eller datum bara när inspelningen faktiskt anger dem och håll olösta detaljer skilda från besluten. För en intervju begär du svaret på en viss fråga och det omgivande sammanhang som gör det begripligt. Dessa utdatautformningar knyter ljuduppgiften till ett dokument som någon kan använda efteråt.
Kontext, längd och språk
Tillverkaren dokumenterar en kontext på 32k token och ljud på upp till 30 minuter för transkription eller 40 minuter för förståelse. De två längdangivelserna gäller olika uppgifter. Välj önskad operation innan du väljer inspelningen och inkludera textinstruktionen och samtalet när du planerar den tillgängliga kontexten. En lång inspelning och ett långt skriftligt svar förbrukar båda resurser; längdangivelsen är inte ett separat löfte om obegränsad svarslängd.
Utgåvan anger engelska, spanska, franska, portugisiska, hindi, tyska, nederländska och italienska bland de huvudsakligen stödda språken och erbjuder automatisk språkidentifiering. För talöversättning anger du målspråket och eventuella termer som ska behålla sin ursprungliga form. För en fråga om ljud på ett språk skiljer du inspelningens språk från språket som svaret ska skrivas på.
Flera inspelningar och följdfrågor
Modellkortet stöder flera ljudindata i ett meddelande och ljud i flera användarturer. Ge varje inspelning en identifierare och ange dess roll när de jämförs. En praktisk begäran kan jämföra två versioner av en talad förklaring, fråga vilka villkor som ändrats och returnera en tabell med en separat kolumn för varje inspelning. Identifierare hjälper till att hålla modellens slutsatser kopplade till rätt källa.
En uppföljning kan behålla den tidigare frågan och svaret och samtidigt efterfråga en snävare detalj eller tillhandahålla en annan inspelning. Begär exempelvis först besluten från en diskussion och fråga sedan vilket beslut som gäller ett visst krav. Samma utgåva demonstrerar också begäranden med enbart text och enbart ljud. Dess textbas kan arbeta med den skriftliga frågan eller resultatet, medan ljudfunktionen ger underlag från tal.
Röststyrda funktioner
Tillverkaren beskriver funktionsanrop utifrån talad avsikt och märker det publicerade modellkortets exempel på funktionsanrop som experimentellt stöd. I det här flödet definierar applikationen en funktion och dess argument, modellen förbereder ett anrop utifrån begäran och applikationen kör det och tillhandahåller resultatet. En röstbaserad uppslagning kan därför returnera ett skriftligt svar med information från ett anslutet verktyg. Funktionsanrop innebär inte att modellen automatiskt äger den externa tjänsten eller utför en åtgärd bara genom att namnge den.
Håll funktionens syfte och nödvändig information tydliga. Om inspelningen begär en operation men utelämnar ett obligatoriskt värde behöver applikationen fortfarande värdet för att köra funktionen. Skilj den talade begäran, föreslagna argument och returnerat resultat åt så att nästa svar kan hänvisa till operationens faktiska utfall.
Rekommenderade inställningar och användbara avgränsningar
För ljudförståelse och chattkomplettering rekommenderar modellkortet temperatur 0.2 och top-p 0.95. För transkription rekommenderas temperatur 0.0. Det anger uttryckligen att systemprompter inte stöds i det här publicerade användningsflödet, så placera uppgiften och svarskraven i användarindata i stället för att överföra en systempromptkonvention från en annan Mistral-modell.
Välj en inspelning som innehåller materialet som är relevant för frågan, håll talet tydligt hörbart och ange om resultatet ska vara en transkription, översättning, ett svar eller en sammanfattning. Dokumenterade utdata är text. Ett talat svar behöver en text-till-tal-komponent, och talaridentifiering, detaljerad talarseparering eller tidsstämplar på ordnivå ska inte härledas ur det allmänna påståendet om ljudförståelse för just den här utgåvan.
Modellkortets genereringsexempel på 500 token är exempelinställningar, inte en separat angiven maximal utmatningskapacitet. Bevara utgåvan 2507, de uppgiftsspecifika längdråden och indataspråket när du förbereder ett repeterbart arbetsflöde. Den användbara slutliga leveransen är den begärda texten, kopplad till inspelningen och formaterad för nästa dokument- eller applikationssteg.
POST /v1/messagestextjson, sse| Fält | Typ | Krav | Värden & gränser | Standard |
|---|---|---|---|---|
Fältmodel | Typstring | KravObligatoriskt | Värden & gränser mistralai/voxtral-small-24b-2507 | Standard— |
Fältmessages | Typmessage[] | KravObligatoriskt | Värden & gränser | Standard— |
Fältmessages[].role | Typstring | KravObligatoriskt | Värden & gränser user, assistant | Standard— |
Fältmessages[].content | Typstring | KravObligatoriskt | Värden & gränser | Standard— |
Fältmax_tokens | Typinteger | KravObligatoriskt | Värden & gränser | Standard— |
Fältstream | Typboolean | KravValfritt | Värden & gränser | Standardfalse |
Text · UTF-8-text
sträng i messages[].content
| Parameter | Avtal |
|---|---|
Parametercontent_type | Avtalapplication/json |
Parameterrequired | Avtalmodel, messages, max_tokens |
Parameteroptional_controls | Avtalstream |
Parametermaterial_types | Avtaltext |
Parametertext_file_material | AvtalLäs det faktiska UTF-8-dokumentet och placera texten i det angivna input-fältet eller i strängen för meddelandets innehåll. |
Livscykel: synchronous_or_streamed
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 | Kontexttoken, fler än | Kontexttoken, upp till och med | Avgift |
|---|---|---|---|---|
| KonfigurationGrundpriser för token | PrislistaGrundpris | Kontexttoken, fler än— | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0002 / 1K token Utdata · Utdatatoken $0.0006 / 1K token Indata · Cacheläsning $0.00002 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
| KonfigurationNivå 1 för förfrågans längd | Prislista— | Kontexttoken, fler än0 | Kontexttoken, upp till och medIngen övre gräns | Avgift Indata · Indatatoken $0.0002 / 1K token Utdata · Utdatatoken $0.0006 / 1K token Indata · Cacheläsning $0.00002 / 1K token Indata · Skrivning till cache — / 1K token Indata · Skrivning till cache, 1 tim — / 1K token |
Ailoot reserverar ett uppskattat belopp före en begäran. Efter resultatet slutregleras avgiften utifrån uppmätt förbrukning. Slutreglering för strömning använder den slutliga förbrukningsposten. Så fungerar reservation och slutreglering →
{\n "model": "mistralai/voxtral-small-24b-2507",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 eller SSE
Behåll varje fullständigt returnerat svar, fil och innehållsdel.
Behåll alla innehållsblock, resonemangssignaturer och faktiska ID:n för verktygsanvändning. Sätt samman alla SSE-deltauppdateringar för blocken; ett första textblock är inte hela utdata.
Behåll begärans/svarets ID:n och huvuden. Ingen generell URL för hämtning av textjobb tillhandahålls.
| Fält | Typ |
|---|---|
Fältid | Typstring |
Fältmodel | Typstring |
Fältcontent[] | Typtext|thinking|tool_use|other content block |
Fältstop_reason | Typstring|null |
Fältusage | Typobject |
| Svar | Villkor | Nästa steg |
|---|---|---|
Svar400 · invalid_request_error | VillkorOgiltiga obligatoriska fält, ogiltig representation av underlaget eller ogiltigt parametervärde | Nästa stegKorrigera de angivna fälten före en ny begäran om att skapa. |
Ailoot Ultra mistralai/voxtral-small-24b-2507
Använd metodsökvägarna som visas ovan.
Tekniskt exempel på engelska
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.