Mistral: Voxtral Mini Transcribe

Voxtral Mini Transcribe 2 แปลงการบันทึกเป็นข้อความพร้อมแยกผู้พูด ระบุเวลาระดับคำ และให้น้ำหนักคำศัพท์ Mistral ระบุ 13 ภาษาและการบันทึกสูงสุดสามชั่วโมงสำหรับรุ่นเน้นถอดเสียงนี้ ซึ่งแยกจาก Voxtral Realtime

Ailoot Ultra · การถอดเสียง POST /v1/audio/transcriptions mistralai/voxtral-mini-transcribe

เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

Voxtral Mini Transcribe 2 เป็น Voxtral รุ่นเน้นถอดเสียงของ Mistral AI ที่การ์ดโมเดลผู้ผลิตระบุเป็น voxtral-mini-2602 ออกแบบสำหรับถอดเสียงจากการบันทึกแบบแบตช์ แทนบทบาทตอบคำถามที่กว้างกว่าของโมเดล Voxtral Mini 3B ต้นฉบับ ข้อมูลเข้าคือเสียงและผลคือข้อความถอดเสียง ซึ่งเลือกเพิ่มป้ายผู้พูดและเวลาได้ การใช้งานเชิงปฏิบัติรวมข้อความถอดเสียงการประชุม การวิเคราะห์สัมภาษณ์ บันทึกสายสนทนาหลายฝ่าย และข้อความที่ตรงกับสื่อบันทึก

ผู้ผลิตระบุการแยกผู้พูดและเวลาเริ่ม/จบเพื่อให้ข้อความถอดเสียงแสดงว่าใครพูดเมื่อใด เวลาระดับคำรองรับคำบรรยาย การค้นหาเสียง และการจับคู่ข้อความกับตำแหน่งในการบันทึก คู่มือผู้ผลิตอนุญาตความละเอียดเวลาระดับช่วงหรือคำ สำหรับสัมภาษณ์ ชิ้นงานที่มีประโยชน์คือลำดับข้อความที่ระบุผู้พูดพร้อมเวลา สำหรับเตรียมคำบรรยาย เวลาระดับคำหรือช่วงช่วยกำกับขั้นตอนคำบรรยายภายหลัง แทนบังคับให้อนุมานเวลาจากข้อความถอดเสียงล้วน

Context biasing รับได้สูงสุด 100 คำหรือวลีเพื่อชี้นำโมเดลให้สะกดชื่อ ศัพท์เทคนิค และคำศัพท์เฉพาะโดเมนตามที่ต้องการ Mistral ระบุว่าความสามารถนี้ปรับเหมาะกับภาษาอังกฤษ และการรองรับภาษาอื่นเป็นการทดลอง เตรียมรายการคำศัพท์เจาะจงจากหัวข้อการบันทึกแทนอภิธานศัพท์ไม่เกี่ยวข้อง ตัวอย่างหนึ่งคือให้ชื่อโครงการและศัพท์เฉพาะที่น่าจะปรากฏในการสนทนาเทคนิค แล้วตรวจการสะกดในข้อความถอดเสียงที่เสร็จ

รุ่นนี้รองรับสิบสามภาษา ได้แก่ อังกฤษ จีน ฮินดี สเปน อาหรับ ฝรั่งเศส โปรตุเกส รัสเซีย เยอรมัน ญี่ปุ่น เกาหลี อิตาลี และดัตช์ ผู้ผลิตยังระบุความทนทานต่อเสียงรบกวนและการบันทึกสูงสุดสามชั่วโมงในคำขอเดียว สิ่งเหล่านี้เป็นของเวิร์กโฟลว์การบันทึก Mini Transcribe 2 ส่วนข้อความบริบทและระยะเวลาของโมเดลความเข้าใจเสียง 2507 ต้นฉบับอธิบายคนละรุ่น มีการตรวจภาษาอัตโนมัติ และคู่มือระบุว่าการให้ภาษาของเสียงที่ทราบอย่างชัดเจนช่วยเพิ่มความแม่นยำถอดเสียงได้

ในเวิร์กโฟลว์ผู้ผลิตที่ระบุ สามารถให้เสียงเป็นไฟล์อัปโหลด รหัสไฟล์ที่อัปโหลดก่อนหน้า หรือการบันทึกที่อ้างอิง ตัวอย่างอัปโหลดประกอบรองรับ MP3, WAV, M4A, FLAC และ OGG เลือกรูปแบบเหล่านี้สำหรับเวิร์กโฟลว์อัปโหลดที่สาธิต รักษาการบันทึกให้ถอดรหัสได้และมีคำพูดที่เกี่ยวข้อง สำหรับเนื้อหายาว เก็บรหัสและจุดเริ่มเวลาเพื่อให้ส่วนตัดหรือการแก้ภายหลังยังตรวจย้อนกลับต้นทางได้

เอกสารอ้างอิงถอดเสียงส่งข้อความและภาษาที่ตรวจพบ พร้อมช่วงข้อความเมื่อร้องขอ และระบุเหตุการณ์ถอดเสียงแบบสตรีมแยก การแยกผู้พูดเป็นทางเลือกและเริ่มต้นที่ false คู่มือระบุว่า timestamp_granularities กับการตั้ง language โดยชัดเจนยังใช้ร่วมกันไม่ได้ จึงเลือกเวิร์กโฟลว์เวลาที่ต้องการหรือคำใบ้ภาษาที่กำหนดเองแทนรวมทั้งสอง การถอดเสียงติดป้ายผู้พูด การให้น้ำหนักคำศัพท์ และเวลาควรเลือกตามผลที่ตั้งใจ แทนสมมติว่ามีจากคำขอพื้นฐาน

คำพูดซ้อนเป็นข้อจำกัดสำคัญ Mistral ระบุว่าเมื่อผู้พูดพูดซ้อนกัน โมเดลมักถอดเพียงคนเดียว จึงไม่ควรถือว่าข้อความติดป้ายผู้พูดบันทึกทุกคำที่พูดพร้อมกันอย่างครบถ้วน สำหรับบันทึกประชุม ตรวจช่วงซ้อนที่ยากและชื่อหรือตัวเลขสำคัญเทียบการบันทึก วัตถุประสงค์โมเดลคือถอดเสียง การสรุป แปล หรือวิเคราะห์อาจเป็นงานแยกที่ต่อยอดจากข้อความถอดเสียง Voxtral Realtime มีลักษณะความหน่วงถอดเสียงสดแยก ส่วนการสร้างคำพูดเป็นของโมเดลอื่น

เตรียมผลสำหรับการใช้ต่อ เวิร์กโฟลว์ประชุมสามารถเก็บข้อความถอดเสียง ป้ายผู้พูด และเวลาก่อนขั้นแยกดึงข้อตัดสินใจ เวิร์กโฟลว์สื่อสามารถใช้ข้อมูลเวลาเพื่อระบุตำแหน่งข้อความและร่างคำบรรยาย การบันทึกที่มีศัพท์มากสามารถให้รายการ context-bias ที่เจาะจงและทบทวนการสะกดที่ได้ สิ่งส่งมอบที่มีประโยชน์คือข้อความที่ผูกกับการบันทึกต้นทางและเมทาดาทาที่ตั้งค่า โดยแยกรุ่นถอดเสียงมีหมายเลขนี้จากโมเดล Mini ต้นฉบับและชื่อ latest ที่เปลี่ยนตามเวลา

Ailoot Ultra · การถอดเสียง POST /v1/audio/transcriptions mistralai/voxtral-mini-transcribe

mistralai/voxtral-mini-transcribe

Mistral /mistralai/voxtral-mini-transcribe

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-transcribe	ค่าเริ่มต้น—
ฟิลด์`input_audio`	ประเภท`object`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด	ค่าเริ่มต้น—

พารามิเตอร์และวงจรการทำงานของเมธอด

พารามิเตอร์	ข้อกำหนด
พารามิเตอร์`content_type`	ข้อกำหนดapplication/json
พารามิเตอร์`required`	ข้อกำหนดmodel, input_audio
พารามิเตอร์`material_types`	ข้อกำหนดaudio
พารามิเตอร์`material_conditions`	ข้อกำหนดตัวอย่างนี้อ่านไฟล์ PCM WAV จริงของคุณที่ไม่ว่าง เข้ารหัสไบต์ทั้งหมดของไฟล์เป็น base64 และส่ง input_audio.format เป็น wav

วงจรการทำงาน: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · task_id ที่ตรงตามบันทึกสื่อเดิมซึ่งเป็นของคุณ

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

ราคา

ข้อมูลอัตราราคาไม่ได้เพิ่มตัวเลือกคำขอ พารามิเตอร์ที่รองรับระบุไว้สำหรับเมธอดที่เลือก

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

อัตราค่าบริการ Ailoot

ราคาตามการตั้งค่า

เทียบค่าบริการแต่ละรายการกับเงื่อนไขที่แสดง เลือกใช้อัตราเดียวสำหรับแต่ละชุดการตั้งค่าที่เป็นตัวเลือกทดแทนกัน

การตั้งค่า	ตารางอัตราค่าบริการ	หน่วยคิดค่าบริการ	ค่าบริการ
การตั้งค่าอัตราค่าบริการโทเคนพื้นฐาน	ตารางอัตราค่าบริการอัตราพื้นฐาน	หน่วยคิดค่าบริการ—	ค่าบริการ ขาเข้า · โทเค็นอินพุต — / 1K โทเค็น ขาออก · โทเค็นเอาต์พุต — / 1K โทเค็น ขาเข้า · การอ่านแคช — / 1K โทเค็น ขาเข้า · การเขียนแคช — / 1K โทเค็น ขาเข้า · การเขียนแคช, 1 ชั่วโมง — / 1K โทเค็น
การตั้งค่าวินาทีเสียงขาเข้า	ตารางอัตราค่าบริการ—	หน่วยคิดค่าบริการต่อวินาทีของเสียงอินพุต	ค่าบริการ ขาเข้า · วินาทีเสียงขาเข้า $0.0001 ต่อวินาทีของเสียงอินพุต

Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →

ตัวอย่างคำขอ

Ailoot Ultra · การถอดเสียง

curl · ไฟล์ WAV จริงและผลลัพธ์ต้นฉบับที่ครบถ้วน

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import base64, io, json, os, wave
from pathlib import Path
audio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):
    raise SystemExit('Supply your actual PCM WAV audio file')
with wave.open(io.BytesIO(audio), 'rb') as recording:
    if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:
        raise SystemExit('Supply a nonempty PCM WAV recording')
request = {'model': 'mistralai/voxtral-mini-transcribe', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}
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
# Retain the complete original response, headers and actual X-Client-Request-ID.
# Read existing owned records for recovery; do not resubmit an uncertain operation.

รับและบันทึกผลลัพธ์

Ailoot Ultra · การถอดเสียง

เนื้อหาการตอบกลับเดิมทั้งหมด สถานะ และส่วนหัวที่ส่งต่อ ตัวจัดการนี้ไม่เพิ่มโครงสร้าง JSON ฟิลด์ข้อความ หรือโครงสร้างห่อหุ้มงานแบบสากล

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

เก็บผลลัพธ์ที่เสร็จสมบูรณ์ทั้งหมด

เก็บทุกการตอบกลับ ไฟล์ และส่วนเนื้อหาที่ส่งกลับมาอย่างครบถ้วน

เก็บการตอบกลับและส่วนหัวให้ครบถ้วน เก็บผลลัพธ์จริงทุกรายการ ตัวระบุที่ส่งกลับมาแต่เดิม และฟิลด์ข้อมูลการใช้งานทั้งหมด กู้คืนการดำเนินการเดิมโดยไม่ส่งคำขอสร้างซ้ำ

เมื่อต้องตรวจสอบการตอบกลับต้นฉบับ

เก็บ X-Client-Request-ID จริงและการตอบกลับทั้งหมด อ่านแอสเซ็ตเดิมที่เป็นของคุณและ URL เนื้อหาที่ลงลายเซ็นตรงตามที่ส่งกลับ ห้ามส่งคำขอสร้างที่ยังไม่แน่ชัดซ้ำ

ฟิลด์การตอบกลับ

ฟิลด์	ประเภท
ฟิลด์`text (when present)`	ประเภท
ฟิลด์`usage (when present)`	ประเภท

ข้อผิดพลาดและขั้นตอนถัดไป

การตอบกลับ	เงื่อนไข	ขั้นตอนถัดไป
การตอบกลับ400 · `invalid_request_error`	เงื่อนไขเนื้อหา JSON หรือ ID โมเดลมาตรฐานที่ระบุชัดเจนไม่ถูกต้อง	ขั้นตอนถัดไปเก็บการตอบกลับและแก้ไขฟิลด์คำขอที่ระบุ
การตอบกลับ401 · `authentication_error`	เงื่อนไขคีย์ API ของ Ailoot ไม่ถูกต้อง	ขั้นตอนถัดไปใช้คีย์ API ของ Ailoot ที่คุณได้รับอนุญาต
การตอบกลับ403 · `permission_error`	เงื่อนไขกลุ่มคีย์ไม่อนุญาตให้ใช้เมธอดนี้	ขั้นตอนถัดไปเก็บรายละเอียดข้อผิดพลาดที่ส่งกลับไว้
การตอบกลับ404 · `not_found_error`	เงื่อนไขเมธอดที่เลือกไม่มีเส้นทางที่ได้รับอนุญาต	ขั้นตอนถัดไปเก็บรายละเอียดข้อผิดพลาดที่ส่งกลับไว้
การตอบกลับ422 · `price_unavailable`	เงื่อนไขอัตราค่าบริการที่ยอมรับไม่สามารถระบุปริมาณข้อมูลขาเข้าหรือขอบเขตที่จำเป็นได้	ขั้นตอนถัดไปเก็บการตอบกลับไว้ ใช้รูปแบบข้อมูลขาเข้าที่อัตราค่าบริการที่ยอมรับกำหนดไว้
การตอบกลับ503 ·	เงื่อนไขที่เก็บข้อมูล เส้นทาง ราคาเมธอด หรือการกันวงเงินที่จำเป็นไม่พร้อมใช้งาน	ขั้นตอนถัดไปเก็บการตอบกลับเดิมทั้งหมด การกันวงเงินที่ไม่แน่นอนไม่อนุญาตให้ส่งซ้ำ
การตอบกลับ502 · `server_error`	เงื่อนไขต้องตรวจสอบผลลัพธ์ การใช้งาน หรือการชำระบัญชีเดิม	ขั้นตอนถัดไปเก็บ ID คำขอจริงและการตอบกลับเดิม อ่านบันทึกเดิมที่เป็นของคุณ อย่าส่งคำขอสร้างซ้ำ

ชื่ออื่น

ชื่ออื่นของโมเดล

Ailoot Ultra mistralai/voxtral-mini-transcribe

ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

mistralai/voxtral-mini-transcribe

FAQ · Mistral: Voxtral Mini Transcribe

มีอินพุตและผลลัพธ์ใดบ้าง?: POST /v1/audio/transcriptions · mistralai/voxtral-mini-transcribe: audio → text
คำขอใช้ฟิลด์ใดบ้าง?: POST /v1/audio/transcriptions · mistralai/voxtral-mini-transcribe: model, input_audio

Mistral: Voxtral Mini Transcribe