Mistral: Voxtral Mini 3B 2507

Voxtral Mini 1.0 3B 2507 ผสานความเข้าใจเสียงกับโมเดลข้อความขนาดกะทัดรัดสำหรับถอดเสียง แปลคำพูด คำถาม และบทสรุป ผู้ผลิตระบุบริบท 32K การถอดเสียงสูงสุด 30 นาทีหรือความเข้าใจเสียง 40 นาที และผลลัพธ์ข้อความ

Ailoot Ultra · การถอดเสียง POST /v1/audio/transcriptions mistralai/voxtral-mini-3b-2507

เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

Voxtral Mini 1.0 3B 2507 เป็นโมเดลความเข้าใจข้อความและเสียงขนาดกะทัดรัดของ Mistral AI ที่สร้างบนตระกูลโมเดลภาษา Ministral 3B รับการบันทึกคำพูดและคำสั่งข้อความ แล้วสร้างข้อความ รวมข้อความถอดเสียง คำแปล คำตอบเกี่ยวกับเสียง และบทสรุปแบบมีโครงสร้าง Voxtral รุ่นต้นฉบับวางตำแหน่งโมเดล 3B นี้สำหรับแอปพลิเคชันขนาดกะทัดรัดหรือทำงานในเครื่อง ควบคู่โมเดล Voxtral Small ขนาด 24B ที่แยกกัน อีกทั้งต่างจากบริการ Voxtral Mini Transcribe ที่ให้บริการและปรับเหมาะเพื่อถอดเสียง

โมเดลมีโหมดถอดเสียงเฉพาะที่ค่าเริ่มต้นทำนายภาษาต้นทางอัตโนมัติและถอดตามนั้น เลือกโหมดนี้เมื่อชิ้นงานจำเป็นคือถ้อยคำที่พูด ส่วนความเข้าใจเสียงให้ถามโดยตรงหรือขอสรุปการบันทึก โดยไม่ต้องมีขั้นรู้จำเสียงแยกตามด้วยโมเดลข้อความ การสัมภาษณ์จึงให้ข้อความถอดเสียงครบ คำแปล หรือคำตอบคำถามแคบได้ ระบุว่าต้องการผลใดเพื่อไม่ให้งานต่างกันรวมเป็นบรีฟกำกวมเดียว

การ์ดรุ่นนี้โดยตรงระบุบริบท 32K โทเค็นและเสียงสูงสุด 30 นาทีสำหรับถอดเสียงหรือ 40 นาทีสำหรับทำความเข้าใจ เป็นข้อความระยะเวลาเฉพาะงานที่ต่างกัน ไม่ใช่โควตาเสียงร่วมสำหรับทุกการดำเนินการ เก็บการบันทึก คำสั่ง และบทสนทนาที่เกี่ยวข้องในขอบเขตงานที่ตั้งใจ ภาษาที่ผู้ผลิตระบุชื่อคืออังกฤษ สเปน ฝรั่งเศส โปรตุเกส ฮินดี เยอรมัน ดัตช์ และอิตาลี พร้อมตรวจภาษาอัตโนมัติ สำหรับคำแปลหรือคำตอบ แยกภาษาการบันทึกจากภาษาผลที่ต้องการ

รองรับเสียงหลายรายการในข้อความและเสียงหลายรอบผู้ใช้ ให้รหัสการบันทึกชัดเจนเมื่อขอเปรียบเทียบ ตัวอย่างหนึ่งอาจเทียบคำอธิบายที่พูดสองชุด แล้วส่งว่าเงื่อนไขใดเปลี่ยนโดยมีคอลัมน์แยกแต่ละต้นทาง การติดตามสามารถถามรายละเอียดรองรับข้อค้นพบหนึ่งหรือให้อีกการบันทึก การ์ดยังสาธิตการใช้ข้อความล้วนและเสียงล้วน ทำให้โมเดลทำงานกับคำถามที่เขียนและหลักฐานคำพูดได้

สำหรับสรุปประชุม ให้การบันทึกแล้วขอโครงสร้างมีประโยชน์ เช่น หัวข้อ ข้อตัดสินใจที่กล่าว และการดำเนินการติดตาม แยกชื่อ วันที่ หรือผู้รับผิดชอบที่ไม่แน่ใจจากข้อเท็จจริงที่พูดชัด สำหรับสัมภาษณ์ ขอข้อความที่ตอบคำถามเฉพาะและบริบทรอบข้างพอเข้าใจ สิ่งเหล่านี้เป็นการออกแบบงานสำหรับชิ้นงานข้อความที่ใช้ได้ ไม่ได้ทำให้ความเข้าใจเสียงทั่วไปรับประกันการแยกผู้พูด เวลาระดับคำ หรือการระบุตัวผู้พูดที่ไม่ได้เอ่ยชื่อ

ผู้ผลิตอธิบายการเรียกฟังก์ชันจากเจตนาที่พูด ในเวิร์กโฟลว์ดังกล่าว แอปพลิเคชันให้นิยามฟังก์ชัน โมเดลเสนอการเรียกกับอาร์กิวเมนต์ที่เกี่ยวข้อง แล้วแอปพลิเคชันดำเนินการและส่งข้อสังเกตกลับ คำขอเสียงจึงนำการค้นหาหรืองานที่มีเครื่องมือช่วยอื่นได้ แต่การเรียกที่โมเดลเสนอต่างจากการดำเนินการจริง เก็บผลที่ส่งกลับจริงเมื่อทำบทสนทนาต่อ เพื่อให้คำตอบภายหลังสะท้อนสิ่งที่เกิดแทนสิ่งที่ร้องขอ

การ์ดใช้งานที่เผยแพร่แนะนำ temperature 0.0 สำหรับถอดเสียง และ temperature 0.2 พร้อม top_p 0.95 สำหรับความเข้าใจเสียงและแชต ระบุว่าพรอมป์ต์ระบบไม่รองรับในขั้นตอนนี้ จึงใส่งานและข้อกำหนดคำตอบในข้อมูลเข้าผู้ใช้ ตัวอย่างถอดรหัสการบันทึกเป็นข้อมูลเข้าเสียงและมีเนื้อหา MP3 แต่ไม่ได้ยืนยันรายการ codec ครบถ้วนหรือความยาวผลลัพธ์สูงสุดตายตัวแยก ค่า 500 โทเค็นที่ใช้สร้างในตัวอย่างยังเป็นงบตัวอย่าง

เตรียมการบันทึกชัดเจนที่มีเนื้อหาเกี่ยวกับงาน แล้วระบุว่าต้องการถ้อยคำเดิม คำแปล คำตอบ หรือบทสรุป การ์ดยังสาธิตการอนุมานแบบแบตช์หลายบทสนทนา ซึ่งเป็นรูปแบบใช้งานผู้ผลิตที่แยกจากอัตลักษณ์ผลแต่ละรายการ คงรุ่น 3B 2507 และแนวทางระยะเวลาถอดเสียงเทียบกับความเข้าใจ ความสามารถแยกผู้พูด รายการ 13 ภาษา และการรองรับการบันทึกยาวกว่าของโมเดล Mini Transcribe 2 รุ่นหลังเป็นความสามารถผู้ผลิตที่แยกกัน

Ailoot Ultra · การถอดเสียง POST /v1/audio/transcriptions mistralai/voxtral-mini-3b-2507

mistralai/voxtral-mini-3b-2507

Mistral /mistralai/voxtral-mini-3b-2507

เริ่มต้น

อินพุตที่รองรับ: เสียง
ผลลัพธ์: ข้อความ

ใช้งานได้ใน Ailoot · อินพุตและเมธอด

Ailoot Ultra · การถอดเสียง POST /v1/audio/transcriptions

ขาเข้า: audio
ขาออก: text

ฟิลด์	ประเภท	ข้อกำหนด	ค่าและข้อจำกัด	ค่าเริ่มต้น
ฟิลด์`model`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด mistralai/voxtral-mini-3b-2507	ค่าเริ่มต้น—
ฟิลด์`input_audio`	ประเภท`object`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด	ค่าเริ่มต้น—
ฟิลด์`language`	ประเภท`string`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด	ค่าเริ่มต้น—
ฟิลด์`temperature`	ประเภท`number`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด ขั้นต่ำ: 0 สูงสุด: 1	ค่าเริ่มต้น—
ฟิลด์`response_format`	ประเภท`string`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด json, verbose_json	ค่าเริ่มต้นjson
ฟิลด์`timestamp_granularities`	ประเภท`array`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด	ค่าเริ่มต้น—
ฟิลด์`provider`	ประเภท`object`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด	ค่าเริ่มต้น—

พารามิเตอร์และวงจรการทำงานของเมธอด

พารามิเตอร์	ข้อกำหนด
พารามิเตอร์`content_type`	ข้อกำหนดapplication/json
พารามิเตอร์`required`	ข้อกำหนดmodel, input_audio
พารามิเตอร์`material_types`	ข้อกำหนดaudio
พารามิเตอร์`material_conditions`	ข้อกำหนดอ่านไฟล์ WAV จริงและเข้ารหัสไบต์จริงสำหรับ input_audio แบบ JSON ที่ประกาศไว้ ข้อกำหนดที่รองรับเฉพาะ JSON นี้ไม่ได้ระบุเส้นทาง multipart

วงจรการทำงาน: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · ค่า task_id ที่ส่งกลับมาจริง หรือระเบียนในคลังสื่อ

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

ราคา

วิธีคำนวณค่าบริการสุดท้าย

อัตราที่แสดงใช้ประมาณการค่าใช้จ่ายก่อนการสร้างผลลัพธ์ ยอดเรียกเก็บสุดท้ายคำนวณจากค่าใช้จ่ายที่บันทึกไว้สำหรับการสร้างผลลัพธ์ครั้งเดิม ระยะเวลาของผลลัพธ์ที่วัดได้และปริมาณที่คาดการณ์ไว้ไม่ใช่ปริมาณสุดท้ายที่ใช้คิดค่าบริการ

ข้อมูลอัตราราคาไม่ได้เพิ่มตัวเลือกคำขอ พารามิเตอร์ที่รองรับระบุไว้สำหรับเมธอดที่เลือก

โหมดรวดเร็ว: ไม่ได้ระบุ เมื่อเลือกโหมดรวดเร็ว
โหมดยืดหยุ่น: ไม่ได้ระบุ เมื่อเลือกโหมด flex
ระดับการใช้เหตุผลสูงสุด: ไม่ได้ระบุ เมื่อใช้การปรับตามค่าเริ่มต้น (default) สำหรับระดับการใช้เหตุผลสูงสุด

อัตราประมาณการเพื่อเปรียบเทียบ

ราคาตามการตั้งค่า

เทียบค่าบริการแต่ละรายการกับเงื่อนไขที่แสดง เลือกใช้อัตราเดียวสำหรับแต่ละชุดการตั้งค่าที่เป็นตัวเลือกทดแทนกัน

การตั้งค่า	ตารางอัตราค่าบริการ	ปริมาณคาดการณ์	หน่วยคิดค่าบริการ	ค่าบริการ
การตั้งค่าอัตราค่าบริการโทเคนพื้นฐาน	ตารางอัตราค่าบริการอัตราพื้นฐาน	ปริมาณคาดการณ์—	หน่วยคิดค่าบริการ—	ค่าบริการ ขาเข้า · โทเค็นอินพุต · ประมาณการเพื่อเปรียบเทียบเท่านั้น — / 1K โทเค็น ขาออก · โทเค็นเอาต์พุต · ประมาณการเพื่อเปรียบเทียบเท่านั้น — / 1K โทเค็น ขาเข้า · การอ่านแคช · ประมาณการเพื่อเปรียบเทียบเท่านั้น — / 1K โทเค็น ขาเข้า · การเขียนแคช · ประมาณการเพื่อเปรียบเทียบเท่านั้น — / 1K โทเค็น ขาเข้า · การเขียนแคช, 1 ชั่วโมง · ประมาณการเพื่อเปรียบเทียบเท่านั้น — / 1K โทเค็น
การตั้งค่าวินาทีเสียงขาเข้า	ตารางอัตราค่าบริการ—	ปริมาณคาดการณ์—	หน่วยคิดค่าบริการต่อวินาทีของเสียงอินพุต	ค่าบริการ ขาเข้า · วินาทีเสียงขาเข้า · ประมาณการเพื่อเปรียบเทียบเท่านั้น $0.0000333334 ต่อวินาทีของเสียงอินพุต
การตั้งค่าต้นทุนการสร้างโดยประมาณ	ตารางอัตราค่าบริการ—	ปริมาณคาดการณ์ค่าประมาณสำหรับการสร้างหนึ่งครั้ง	หน่วยคิดค่าบริการ—	ค่าบริการ ขาออก · ค่าใช้จ่ายในการสร้างโดยประมาณ · ประมาณการเพื่อเปรียบเทียบเท่านั้น $0.0000333334 ประมาณการก่อนสร้าง ค่าประมาณนี้ไม่ใช่ค่าใช้จ่ายเพิ่มเติมหรืออัตราคงที่สำหรับการสร้างผลลัพธ์ที่เสร็จสมบูรณ์แล้ว

Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →

ตัวอย่างคำขอ

Ailoot Ultra · การถอดเสียง

curl · เนื้อหาคำขอแบบเนทีฟที่ตรงตามต้นฉบับและผลลัพธ์ที่ครบถ้วน

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
import base64
audio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')
if len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')
request={'model': 'mistralai/voxtral-mini-3b-2507', 'input_audio': {'data': '${BASE64_ACTUAL_WAV_BYTES}', 'format': 'wav'}}
request['input_audio']['data']=base64.b64encode(audio).decode('ascii')
Path('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o response.bin
# Keep the complete original response and headers. Read every returned segment, word and usage field.
# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.

รับและบันทึกผลลัพธ์

Ailoot Ultra · การถอดเสียง

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

การอ่านเนื้อหาแบบอื่น

อ่านไฟล์สื่อที่มีอยู่และเป็นของคุณ

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o owned-assets.json
# Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token.

เก็บผลลัพธ์ที่เสร็จสมบูรณ์ทั้งหมด

เก็บทุกการตอบกลับ ไฟล์ และส่วนเนื้อหาที่ส่งกลับมาอย่างครบถ้วน

เก็บการตอบกลับและส่วนหัวให้ครบถ้วน เก็บผลลัพธ์จริงทุกรายการ ตัวระบุที่ส่งกลับมาแต่เดิม และฟิลด์ข้อมูลการใช้งานทั้งหมด กู้คืนการดำเนินการเดิมโดยไม่ส่งคำขอสร้างซ้ำ

เมื่อต้องตรวจสอบการตอบกลับต้นฉบับ

เก็บ X-Client-Request-ID ที่ส่งกลับมาไว้เพื่อกระทบยอด อ่านเฉพาะค่า task_id/asset_id ที่ส่งกลับมาจริง หรืออ่านจากคลังสื่อที่เป็นของตนเอง ห้ามสร้าง URL ของงานจาก ID การดำเนินการ และห้ามส่งคำขอสร้างซ้ำเด็ดขาด

ฟิลด์การตอบกลับ

ฟิลด์	ประเภท
ฟิลด์`text`	ประเภท
ฟิลด์`usage`	ประเภท
ฟิลด์`segments[]`	ประเภท
ฟิลด์`words[]`	ประเภท
ฟิลด์`speaker fields`	ประเภท
ฟิลด์`timestamps`	ประเภท

ชื่ออื่น

ชื่ออื่นของโมเดล

Ailoot Ultra mistralai/voxtral-mini-3b-2507

ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

mistralai/voxtral-mini-3b-2507

FAQ · Mistral: Voxtral Mini 3B 2507

มีอินพุตและผลลัพธ์ใดบ้าง?: POST /v1/audio/transcriptions · mistralai/voxtral-mini-3b-2507: audio → text
คำขอใช้ฟิลด์ใดบ้าง?: POST /v1/audio/transcriptions · mistralai/voxtral-mini-3b-2507: model, input_audio, language, temperature, response_format, timestamp_granularities, provider
มีข้อจำกัดใดบ้าง?: POST /v1/audio/transcriptions · mistralai/voxtral-mini-3b-2507: temperature.minimum: 0; temperature.maximum: 1

Mistral: Voxtral Mini 3B 2507