Mistral: Voxtral Small 24B 2507 STT

Voxtral Small 1.0 24B 2507 — transkripsiya, nutq tarjimasi, savollar va xulosalar uchun matn va audio modeli. Ishlab chiqaruvchi 32k kontekst, transkripsiya uchun 30 daqiqagacha yoki tushunish uchun 40 daqiqagacha davomiylik, bir nechta audio kirishi va matnli natijalarni hujjatlashtiradi.

Ailoot Ultra · Transkripsiya POST /v1/audio/transcriptions mistralai/voxtral-small-24b-2507-stt

Model haqida

Bu tavsif model imkoniyatlarini yoritadi. Ailoot da tanlangan usul uchun mavjud kirish, chiqish va parametrlar quyida keltirilgan.

Voxtral Small 1.0 24B 2507 Mistral Small til modeli asosiga audio kirishi va nutqni tushunishni qo‘shadi. U audio va matnni qabul qilib, transkript, yozuv haqidagi javob, tarjima yoki tuzilmali xulosa kabi matn qaytaradi. Bu nomlangan 24B nutqni tushunish nashri Voxtral Mini, transkripsiyaga optimallashtirilgan xizmat variantlari va keyingi Voxtral nutq yaratish yoki real vaqt relizlaridan alohida.

Transkripsiya va audioni tushunish

Modelda maxsus sof transkripsiya rejimi bor. Ishlab chiqaruvchi standart holatda manba audio tilini avtomatik aniqlashi va shunga mos ko‘chirib yozishini aytadi. Kerakli material talqin yoki xulosa emas, aynan aytilgan so‘zlar bo‘lsa, ushbu rejimdan foydalaning. Natija asl tilni saqlashi yoki undan keyin alohida so‘ralgan tarjima berilishi kerakligini belgilang.

Audioni tushunish alohida nutqni tanish modeli va matn modelini avval zanjirlamasdan, yozuv haqida bevosita savol berishga imkon yaratadi. So‘rov qaysi mavzu muhokama qilingani, qanday qaror aytilgani yoki yozuvdagi qaysi ma’lumot aniq savolga javob berishini so‘rashi mumkin. Natija har bir aytilgan so‘zning to‘liq transkripti emas, qisqa javob yoki tartiblangan xulosa bo‘lishi mumkin.

Yig‘ilish xulosasi uchun yozuvni bering va qaytariladigan maydonlarni belgilang: mavzular, aniq aytilgan qarorlar va keyingi harakatlar. Nomlar yoki sanalarni faqat yozuvda haqiqatan aytilgan bo‘lsa so‘rang va ochiq tafsilotlarni qarorlardan alohida saqlang. Intervyu uchun muayyan savolga javob va uni tushunarli qiladigan atrofdagi kontekstni so‘rang. Ushbu natija tuzilmalari audio vazifasini keyinchalik kimdir foydalana oladigan hujjatga bog‘laydi.

Kontekst, davomiylik va tillar

Ishlab chiqaruvchi 32k tokenli kontekstni hamda transkripsiya uchun 30 daqiqagacha yoki tushunish uchun 40 daqiqagacha audioni hujjatlashtiradi. Bu ikki davomiylik sonining vazifa doiralari farqli. Yozuvni tanlashdan oldin kerakli amalni tanlang va mavjud kontekstni rejalashtirganda matnli ko‘rsatma hamda suhbatni ham kiriting. Uzun yozuv va uzun yozma javobning ikkalasi ham resurs sarflaydi; davomiylik bayonoti alohida cheksiz javob uzunligi va’dasi emas.

Reliz asosiy qo‘llanadigan tillar orasida ingliz, ispan, fransuz, portugal, hind, nemis, niderland va italyan tillarini ko‘rsatadi hamda tilni avtomatik aniqlashni beradi. Nutq tarjimasi uchun yakuniy til va asl shaklini saqlashi kerak bo‘lgan atamalarni belgilang. Bir tildagi audio haqida savolda yozuv tilini javob yozilishi kerak bo‘lgan tildan farqlang.

Bir nechta yozuv va keyingi savollar

Karta bitta xabarda bir nechta audio kirishini va bir nechta foydalanuvchi navbatida audioni qo‘llaydi. Yozuvlarni taqqoslaganda har biriga identifikator bering va rolini ayting. Amaliy so‘rov og‘zaki tushuntirishning ikki versiyasini taqqoslab, qaysi shartlar o‘zgarganini so‘rashi va har bir yozuv uchun alohida ustunli jadval qaytarishi mumkin. Identifikatorlar model topilmalarini to‘g‘ri manbaga bog‘lab saqlashga yordam beradi.

Keyingi savol avvalgi savol va javobni saqlagan holda torroq tafsilotni so‘rashi yoki yana bir yozuv berishi mumkin. Masalan, avval muhokamadagi qarorlarni so‘rang, keyin qaysi qaror muayyan talabga tegishli ekanini so‘rang. Ayni reliz faqat matnli va faqat audioli so‘rovlarni ham namoyish etadi. Uning matn asosi yozma savol yoki natija bilan ishlashi mumkin, audio imkoniyati esa nutqdan dalil beradi.

Ovoz orqali yo‘naltiriladigan funksiyalar

Ishlab chiqaruvchi og‘zaki niyatdan funksiya chaqirishni ta’riflaydi va chiqarilgan kartadagi funksiya chaqirish misolini tajribaviy qo‘llov deb belgilaydi. Bu jarayonda ilova funksiya va uning argumentlarini belgilaydi, model so‘rovdan chaqiruv tayyorlaydi, ilova esa uni bajarib natijani beradi. Demak, ovozga asoslangan qidiruv ulangan vositadan olingan ma’lumot yordamida yozma javob qaytarishi mumkin. Funksiya chaqirish model tashqi xizmatga avtomatik egalik qiladi yoki harakatni faqat nomlash orqali bajaradi degani emas.

Funksiya maqsadi va zarur ma’lumotni aniq saqlang. Yozuv bir amalni so‘rasa-yu, zarur qiymatni bermasa, ilovaga funksiyani bajarish uchun shu qiymat baribir kerak. Keyingi javob haqiqiy amal natijasiga ishora qila olishi uchun og‘zaki so‘rov, taklif etilgan argumentlar va qaytgan natijani ajrating.

Tavsiya etilgan sozlamalar va foydali chegaralar

Audioni tushunish va chat completion uchun karta temperature 0.2 va top-p 0.95 ni tavsiya qiladi. Transkripsiya uchun temperature 0.0 tavsiya etiladi. Ushbu chiqarilgan foydalanish jarayonida tizim promptlari qo‘llanmasligi aniq aytilgan; shuning uchun boshqa Mistral modelining tizim prompti odatini ko‘chirish o‘rniga vazifa va javob talablarini foydalanuvchi kirishiga joylashtiring.

Savolga tegishli material mavjud yozuvni tanlang, eshitiladigan nutqni ravshan saqlang va natija transkript, tarjima, javob yoki xulosa bo‘lishini belgilang. Hujjatlashtirilgan chiqish matndir. Og‘zaki javobga matndan nutq yaratish komponenti kerak, aynan shu relizning umumiy audioni tushunish da’vosidan esa so‘zlovchini aniqlash, batafsil diarizatsiya yoki so‘z darajasidagi vaqt belgilarini chiqarib bo‘lmaydi.

Kartadagi 500 tokenli yaratish misollari alohida bayon qilingan maksimal chiqish sig‘imi emas, namunaviy sozlamalardir. Takrorlanadigan jarayonni tayyorlashda 2507 nashri, vazifaga xos davomiylik yo‘riqnomasi va kirish tilini saqlang. Foydali yakuniy material — yozuvga bog‘langan va keyingi hujjat yoki ilova qadami uchun formatlangan so‘ralgan matn.

Ailoot Ultra · Transkripsiya POST /v1/audio/transcriptions mistralai/voxtral-small-24b-2507-stt

mistralai/voxtral-small-24b-2507-stt

Mistral /mistralai/voxtral-small-24b-2507-stt

Boshlash

Qabul qilinadigan kirish ma’lumotlari: Audio
Natijalar: Matn

Ailoot da mavjud · kirish ma’lumotlari va usullar

Ailoot Ultra · Transkripsiya POST /v1/audio/transcriptions

Kirish: audio
Chiqish: text

Maydon	Tur	Talab	Qiymatlar va cheklovlar	Standart
Maydon`model`	Tur`string`	TalabMajburiy	Qiymatlar va cheklovlar mistralai/voxtral-small-24b-2507-stt	Standart—
Maydon`input_audio`	Tur`object`	TalabMajburiy	Qiymatlar va cheklovlar	Standart—
Maydon`language`	Tur`string`	TalabIxtiyoriy	Qiymatlar va cheklovlar	Standart—
Maydon`temperature`	Tur`number`	TalabIxtiyoriy	Qiymatlar va cheklovlar Eng kam: 0 Eng ko‘p: 1	Standart—
Maydon`response_format`	Tur`string`	TalabIxtiyoriy	Qiymatlar va cheklovlar json, verbose_json	Standartjson
Maydon`timestamp_granularities`	Tur`array`	TalabIxtiyoriy	Qiymatlar va cheklovlar	Standart—
Maydon`provider`	Tur`object`	TalabIxtiyoriy	Qiymatlar va cheklovlar	Standart—

Usul parametrlari va hayot sikli

Parametr	Parametr talablari
Parametr`content_type`	Parametr talablariapplication/json
Parametr`required`	Parametr talablarimodel, input_audio
Parametr`material_types`	Parametr talablariaudio
Parametr`material_conditions`	Parametr talablariHaqiqiy WAV faylini o‘qing va e’lon qilingan JSON input_audio uchun uning haqiqiy baytlarini kodlang; faqat JSON uchun berilgan aynan shu deklaratsiyada multipart yo‘nalishi taklif qilinmaydi.

Hayot sikli: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · Amalda qaytarilgan task_id yoki media kutubxonasidagi yozuv

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Tariflar

Yakuniy to‘lov qanday hisoblanadi

Ko‘rsatilgan tariflar xarajatni generatsiyadan oldin taxminiy hisoblash uchun xizmat qiladi. Yakuniy to‘lov dastlabki generatsiya uchun qayd etilgan xarajat asosida hisoblanadi. Natijaning o‘lchangan davomiyligi va oldindan taxmin qilingan miqdorlar haq undiriladigan yakuniy miqdor hisoblanmaydi.

Tarif ma’lumotlari so‘rov imkoniyatlarini qo‘shmaydi. Qo‘llab-quvvatlanadigan parametrlar tanlangan usulda ko‘rsatilgan.

Tezkor rejim: Ko‘rsatilmagan Tezkor rejim tanlanganda
Flex rejimi: Ko‘rsatilmagan flex rejimi tanlanganda
Maksimal fikrlash darajasi: Ko‘rsatilmagan Maksimal fikrlash darajasi uchun standart (default) tuzatish qo‘llanganda

Taqqoslash uchun taxminiy tariflar

Sozlamalar bo‘yicha narxlar

Har bir to‘lovni ko‘rsatilgan shartlarga moslang. Har bir muqobil sozlamalar to‘plami uchun bitta tarifdan foydalaning.

Sozlama	Tariflar jadvali	Prognoz miqdori	Hisob birligi	To‘lov
SozlamaTokenlar uchun bazaviy tariflar	Tariflar jadvaliAsosiy tarif	Prognoz miqdori—	Hisob birligi—	To‘lov Kirish · Kirish tokenlari · Faqat taqqoslash uchun taxmin — / 1K token Chiqish · Chiqish tokenlari · Faqat taqqoslash uchun taxmin — / 1K token Kirish · Keshdan o‘qish · Faqat taqqoslash uchun taxmin — / 1K token Kirish · Keshga yozish · Faqat taqqoslash uchun taxmin — / 1K token Kirish · Keshga yozish, 1 soat · Faqat taqqoslash uchun taxmin — / 1K token
SozlamaKirish audiosi soniyasi	Tariflar jadvali—	Prognoz miqdori—	Hisob birligikirish audiosining soniyasi uchun	To‘lov Kirish · Kirish audiosi soniyasi · Faqat taqqoslash uchun taxmin $0.0001 kirish audiosining soniyasi uchun
SozlamaYaratishning taxminiy qiymati	Tariflar jadvali—	Prognoz miqdoribir generatsiya uchun taxmin	Hisob birligi—	To‘lov Chiqish · Yaratishning taxminiy narxi · Faqat taqqoslash uchun taxmin $0.0001 yaratishdan oldingi taxmin Bu taxmin qo‘shimcha to‘lov ham, tugallangan generatsiya uchun qat’iy tarif ham emas.

Ailoot so‘rovdan oldin taxminiy summani band qiladi. Natijadan keyin o‘lchangan sarf asosidagi yakuniy to‘lovni yechadi. Oqimli javob bo‘yicha yakuniy hisob-kitob yakuniy sarf yozuviga asoslanadi. Summani band qilish va to‘lovni hisoblash tartibi →

So‘rov namunalari

Ailoot Ultra · Transkripsiya

curl · Asl API formatiga aynan mos so‘rov tanasi va to‘liq natija

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-small-24b-2507-stt', '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.

Natijalarni olish va saqlash

Ailoot Ultra · Transkripsiya

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

Boshqa kontentni o‘qish

O‘zingizga tegishli mavjud materiallarni o‘qish

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.

Barcha tayyor natijalarni saqlash

Qaytarilgan har bir to‘liq javob, fayl va kontent qismini saqlang.

To‘liq javob va sarlavhalarni, amalda qaytarilgan barcha natijalarni, dastlab qaytarilgan identifikatorlarni hamda barcha usage maydonlarini saqlang. Yaratish so‘rovini qayta yubormasdan dastlabki operatsiyani tiklang.

Asl javobni tekshirish kerak bo‘lsa

Qaytarilgan X-Client-Request-ID ni ma’lumotlarni solishtirib tekshirish uchun saqlang. Faqat amalda qaytarilgan task_id/asset_id qiymatlari bo‘yicha yoki o‘zingizga tegishli media kutubxonasidan ma’lumot o‘qing; operatsiya ID sidan vazifa URL manzilini hech qachon tuzmang va yaratish so‘rovini qayta yubormang.

Javob maydonlari

Maydon	Tur
Maydon`text`	Tur
Maydon`usage`	Tur
Maydon`segments[]`	Tur
Maydon`words[]`	Tur
Maydon`speaker fields`	Tur
Maydon`timestamps`	Tur

Taxalluslar

Model taxalluslari

Ailoot Ultra mistralai/voxtral-small-24b-2507-stt

Usul yo‘llari taxalluslari

Yuqorida ko‘rsatilgan usul yo‘llaridan foydalaning.

Chaqirish uchun tegishli ID lar

mistralai/voxtral-small-24b-2507-stt

FAQ · Mistral: Voxtral Small 24B 2507 STT

Qanday kirish ma’lumotlari va natijalar mavjud?: POST /v1/audio/transcriptions · mistralai/voxtral-small-24b-2507-stt: audio → text
So‘rov qaysi maydonlardan foydalanadi?: POST /v1/audio/transcriptions · mistralai/voxtral-small-24b-2507-stt: model, input_audio, language, temperature, response_format, timestamp_granularities, provider
Qanday cheklovlar amal qiladi?: POST /v1/audio/transcriptions · mistralai/voxtral-small-24b-2507-stt: temperature.minimum: 0; temperature.maximum: 1

Mistral: Voxtral Small 24B 2507 STT