Mistral: Voxtral Small 24B 2507 STT
Voxtral Small 1.0 24B 2507 là mô hình văn bản và âm thanh dành cho chép lời, dịch lời nói, câu hỏi và tóm tắt. Nhà sản xuất mô tả ngữ cảnh 32k, tối đa 30 phút cho chép lời hoặc 40 phút cho hiểu nội dung, nhiều đầu vào âm thanh và kết quả văn bản.
Về mô hình
Mô tả này trình bày khả năng của mô hình. Đầu vào, đầu ra và tùy chọn có trên Ailoot được liệt kê bên dưới cho phương thức đã chọn.
Voxtral Small 1.0 24B 2507 bổ sung đầu vào âm thanh và hiểu lời nói cho nền mô hình ngôn ngữ Mistral Small. Mô hình nhận âm thanh và văn bản, trả về văn bản, gồm bản chép lời, câu trả lời về bản ghi, bản dịch hoặc tóm tắt có cấu trúc. Đây là phiên bản hiểu lời nói 24B được nêu tên, khác với Voxtral Mini, các biến thể dịch vụ tối ưu chép lời và các bản phát hành Voxtral tạo giọng nói hoặc thời gian thực về sau.
Chép lời và hiểu âm thanh
Mô hình có chế độ chép lời thuần túy chuyên dụng. Nhà sản xuất nêu rằng theo mặc định, mô hình tự dự đoán ngôn ngữ âm thanh nguồn và chép lời tương ứng. Dùng chế độ này khi sản phẩm mong muốn là chính câu chữ được nói, thay vì diễn giải hoặc tóm tắt. Xác định kết quả cần giữ ngôn ngữ gốc hay có bản dịch được yêu cầu riêng theo sau.
Hiểu âm thanh cho phép đặt câu hỏi trực tiếp về bản ghi mà không cần trước tiên nối mô hình nhận dạng lời nói riêng với mô hình văn bản. Yêu cầu có thể hỏi chủ đề nào đã được bàn, quyết định nào được nêu hoặc thông tin nào trong bản ghi trả lời câu hỏi cụ thể. Kết quả có thể là phản hồi súc tích hoặc tóm tắt có tổ chức, thay vì bản chép đầy đủ mọi từ đã nói.
Với tóm tắt cuộc họp, hãy cung cấp bản ghi và xác định trường cần trả: chủ đề, quyết định được nói rõ và hành động tiếp theo. Chỉ yêu cầu tên hoặc ngày khi bản ghi thực sự nêu chúng, đồng thời tách chi tiết chưa giải quyết khỏi quyết định. Với phỏng vấn, hãy yêu cầu câu trả lời cho câu hỏi cụ thể và ngữ cảnh xung quanh giúp hiểu nó. Các thiết kế đầu ra này kết nối tác vụ âm thanh với tài liệu có thể sử dụng về sau.
Ngữ cảnh, thời lượng và ngôn ngữ
Nhà sản xuất mô tả ngữ cảnh 32k token và âm thanh tối đa 30 phút cho chép lời hoặc 40 phút cho hiểu nội dung. Hai con số thời lượng có phạm vi tác vụ khác nhau. Chọn thao tác mong muốn trước khi chọn bản ghi và tính cả chỉ dẫn văn bản cùng hội thoại khi lập kế hoạch ngữ cảnh sẵn có. Bản ghi dài và câu trả lời viết dài đều tiêu thụ tài nguyên; tuyên bố thời lượng không phải lời hứa riêng về độ dài câu trả lời không giới hạn.
Bản phát hành xác định tiếng Anh, Tây Ban Nha, Pháp, Bồ Đào Nha, Hindi, Đức, Hà Lan và Ý trong số ngôn ngữ chính được hỗ trợ và cung cấp nhận diện ngôn ngữ tự động. Với dịch lời nói, hãy đặt ngôn ngữ cuối cùng và thuật ngữ cần giữ dạng gốc. Với câu hỏi về âm thanh bằng một ngôn ngữ, hãy phân biệt ngôn ngữ bản ghi với ngôn ngữ cần dùng để viết câu trả lời.
Nhiều bản ghi và câu hỏi tiếp theo
Thẻ hỗ trợ nhiều đầu vào âm thanh trong một thông điệp và âm thanh trong nhiều lượt người dùng. Gán mã định danh cho từng bản ghi và nêu vai trò khi so sánh chúng. Yêu cầu thực tế có thể so sánh hai phiên bản giải thích bằng lời, hỏi điều kiện nào thay đổi và trả bảng có cột riêng cho mỗi bản ghi. Mã định danh giúp giữ phát hiện của mô hình gắn với đúng nguồn.
Câu hỏi tiếp theo có thể giữ câu hỏi và câu trả lời trước đó, đồng thời hỏi chi tiết hẹp hơn hoặc cung cấp bản ghi khác. Ví dụ, trước tiên hỏi quyết định từ cuộc thảo luận, rồi hỏi quyết định nào liên quan tới yêu cầu cụ thể. Cùng bản phát hành cũng minh họa yêu cầu chỉ có văn bản và chỉ có âm thanh. Nền văn bản có thể làm việc trên câu hỏi hoặc kết quả bằng chữ, còn khả năng âm thanh cung cấp bằng chứng từ lời nói.
Hàm được điều khiển bằng giọng nói
Nhà sản xuất mô tả gọi hàm từ ý định được nói và gắn nhãn ví dụ gọi hàm trong thẻ phát hành là hỗ trợ thử nghiệm. Trong quy trình này, ứng dụng xác định hàm và đối số, mô hình chuẩn bị lời gọi từ yêu cầu, rồi ứng dụng thực thi và cung cấp kết quả. Vì vậy, tra cứu bằng giọng nói có thể trả câu trả lời viết dùng thông tin từ công cụ kết nối. Gọi hàm không có nghĩa mô hình tự sở hữu dịch vụ bên ngoài hoặc thực hiện hành động chỉ bằng cách nêu tên.
Giữ mục đích hàm và thông tin bắt buộc rõ ràng. Nếu bản ghi yêu cầu thao tác nhưng bỏ giá trị bắt buộc, ứng dụng vẫn cần giá trị đó để thực thi hàm. Tách yêu cầu được nói, đối số đề xuất và kết quả trả về để phản hồi tiếp theo có thể tham chiếu kết quả thao tác thực tế.
Thiết lập khuyến nghị và giới hạn hữu ích
Với hiểu âm thanh và hoàn thiện hội thoại, thẻ khuyến nghị temperature 0.2 và top-p 0.95. Với chép lời, thẻ khuyến nghị temperature 0.0. Thẻ nêu rõ lời nhắc hệ thống không được hỗ trợ trong luồng sử dụng phát hành này, nên đặt tác vụ và yêu cầu trả lời trong đầu vào người dùng thay vì chuyển quy ước lời nhắc hệ thống từ mô hình Mistral khác.
Chọn bản ghi chứa tài liệu liên quan tới câu hỏi, giữ lời nói nghe rõ và chỉ rõ kết quả cần là bản chép lời, bản dịch, câu trả lời hay tóm tắt. Đầu ra được tài liệu xác nhận là văn bản. Phản hồi bằng lời nói cần thành phần chuyển văn bản thành giọng nói, và không nên suy ra nhận diện người nói, phân đoạn chi tiết theo người nói hoặc mốc thời gian từng từ từ khẳng định hiểu âm thanh chung cho bản phát hành cụ thể này.
Các ví dụ tạo 500 token trong thẻ là thiết lập ví dụ, không phải dung lượng đầu ra tối đa được nêu riêng. Giữ phiên bản 2507, hướng dẫn thời lượng theo tác vụ và ngôn ngữ đầu vào khi chuẩn bị quy trình có thể lặp lại. Sản phẩm cuối cùng hữu ích là văn bản được yêu cầu, gắn với bản ghi và định dạng cho bước tài liệu hoặc ứng dụng tiếp theo.
Ailoot Ultra · Phiên âm POST /v1/audio/transcriptions mistralai/voxtral-small-24b-2507-stt
mistralai/voxtral-small-24b-2507-stt
mistralai/voxtral-small-24b-2507-sttBắt đầu
Voxtral Small 1.0 24B 2507 là mô hình văn bản và âm thanh dành cho chép lời, dịch lời nói, câu hỏi và tóm tắt. Nhà sản xuất mô tả ngữ cảnh 32k, tối đa 30 phút cho chép lời hoặc 40 phút cho hiểu nội dung, nhiều đầu vào âm thanh và kết quả văn bản.
- Đầu vào được chấp nhận
- Âm thanh
- Kết quả
- Văn bản
Có trên Ailoot · đầu vào & phương thức
Ailoot Ultra · Phiên âm POST /v1/audio/transcriptions
- Đầu vào
audio- Đầu ra
text
| Trường | Loại | Yêu cầu | Giá trị & giới hạn | Mặc định |
|---|---|---|---|---|
Trườngmodel | Loạistring | Yêu cầuBắt buộc | Giá trị & giới hạn mistralai/voxtral-small-24b-2507-stt | Mặc định— |
Trườnginput_audio | Loạiobject | Yêu cầuBắt buộc | Giá trị & giới hạn | Mặc định— |
Trườnglanguage | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngtemperature | Loạinumber | Yêu cầuKhông bắt buộc | Giá trị & giới hạn Tối thiểu: 0 Tối đa: 1 | Mặc định— |
Trườngresponse_format | Loạistring | Yêu cầuKhông bắt buộc | Giá trị & giới hạn json, verbose_json | Mặc địnhjson |
Trườngtimestamp_granularities | Loạiarray | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Trườngprovider | Loạiobject | Yêu cầuKhông bắt buộc | Giá trị & giới hạn | Mặc định— |
Tham số phương thức và vòng đời
| Tham số | Hợp đồng |
|---|---|
Tham sốcontent_type | Hợp đồngapplication/json |
Tham sốrequired | Hợp đồngmodel, input_audio |
Tham sốmaterial_types | Hợp đồngaudio |
Tham sốmaterial_conditions | Hợp đồngĐọc tệp WAV thực tế và mã hóa các byte thật cho input_audio JSON đã khai báo; không quảng bá tuyến multipart cho khai báo chính xác chỉ dùng JSON này. |
Vòng đời: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Giá trị task_id thực tế đã trả về hoặc bản ghi trong thư viện nội dung đa phương tiện
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Bảng giá
Cách tính phí cuối cùng
Các đơn giá hiển thị dùng để ước tính chi phí trước khi tạo. Khoản phí cuối cùng được tính dựa trên chi phí ghi nhận cho lượt tạo gốc. Thời lượng đầu ra đo được và số lượng dự kiến không phải là số lượng cuối cùng dùng để tính phí.
Thông tin biểu giá không bổ sung tùy chọn yêu cầu. Các tham số được hỗ trợ nằm trong phương thức đã chọn.
- Chế độ nhanh
- Chưa chỉ định Khi chọn chế độ nhanh
- Chế độ Flex
- Chưa chỉ định Khi chọn chế độ flex
- Mức độ suy luận tối đa
- Chưa chỉ định Khi áp dụng mức điều chỉnh mặc định (default) cho mức độ suy luận tối đa
Mức phí ước tính để so sánh
Giá theo cấu hình
Đối chiếu từng khoản phí với điều kiện hiển thị. Dùng một mức phí cho mỗi nhóm cấu hình thay thế.
| Cấu hình | Biểu mức phí | Số lượng dự báo | Đơn vị tính phí | Phí |
|---|---|---|---|---|
| Cấu hìnhGiá cơ sở cho token | Biểu mức phíMức phí cơ bản | Số lượng dự báo— | Đơn vị tính phí— | Phí Đầu vào · Token đầu vào · Ước tính chỉ để so sánh — / 1K token Đầu ra · Token đầu ra · Ước tính chỉ để so sánh — / 1K token Đầu vào · Đọc bộ nhớ đệm · Ước tính chỉ để so sánh — / 1K token Đầu vào · Ghi bộ nhớ đệm · Ước tính chỉ để so sánh — / 1K token Đầu vào · Ghi bộ nhớ đệm, 1 giờ · Ước tính chỉ để so sánh — / 1K token |
| Cấu hìnhGiây âm thanh đầu vào | Biểu mức phí— | Số lượng dự báo— | Đơn vị tính phímỗi giây âm thanh đầu vào | Phí Đầu vào · Giây âm thanh đầu vào · Ước tính chỉ để so sánh $0.0001 mỗi giây âm thanh đầu vào |
| Cấu hìnhChi phí tạo ước tính | Biểu mức phí— | Số lượng dự báoước tính cho một lần tạo | Đơn vị tính phí— | Phí Đầu ra · Chi phí tạo ước tính · Ước tính chỉ để so sánh $0.0001 ước tính trước khi tạo Ước tính này không phải là khoản phí bổ sung hay mức giá cố định cho lượt tạo đã hoàn tất. |
Ailoot tạm giữ một khoản ước tính trước yêu cầu. Sau khi có kết quả, phí cuối cùng được quyết toán theo mức sử dụng đo được. Việc quyết toán khi truyền luồng dùng bản ghi mức sử dụng cuối cùng. Cách hoạt động của cơ chế tạm giữ và quyết toán →
Ví dụ yêu cầu
Ailoot Ultra · Phiên âm
set -eu
: "${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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o response.bin
# Keep the complete original response and headers. Read every returned segment, word and usage field.
# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.
Nhận và lưu kết quả
Ailoot Ultra · Phiên âm
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Lượt đọc nội dung khác
set -eu
: "${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.
Lưu tất cả kết quả đã hoàn tất
Lưu mọi phản hồi hoàn chỉnh, tệp và phần nội dung được trả về.
Giữ lại toàn bộ phản hồi và các header, mọi đầu ra thực tế, các định danh gốc đã trả về và mọi trường usage. Khôi phục thao tác gốc mà không gửi lại yêu cầu tạo.
Nếu cần kiểm tra phản hồi gốc
Giữ lại X-Client-Request-ID đã trả về để đối soát. Chỉ truy xuất theo các giá trị task_id/asset_id thực tế đã trả về hoặc từ thư viện nội dung đa phương tiện thuộc quyền sở hữu của bạn; tuyệt đối không tạo URL tác vụ từ ID thao tác và không gửi lại yêu cầu tạo.
Trường phản hồi
| Trường | Loại |
|---|---|
Trườngtext | Loại |
Trườngusage | Loại |
Trườngsegments[] | Loại |
Trườngwords[] | Loại |
Trườngspeaker fields | Loại |
Trườngtimestamps | Loại |
Bí danh
Bí danh mô hình
Ailoot Ultra mistralai/voxtral-small-24b-2507-stt
Bí danh đường dẫn phương thức
Dùng các đường dẫn phương thức hiển thị ở trên.
ID gọi liên quan
FAQ · Mistral: Voxtral Small 24B 2507 STT
- Có những đầu vào và kết quả nào?
POST /v1/audio/transcriptions·mistralai/voxtral-small-24b-2507-stt:audio→text- Yêu cầu sử dụng những trường nào?
POST /v1/audio/transcriptions·mistralai/voxtral-small-24b-2507-stt:model,input_audio,language,temperature,response_format,timestamp_granularities,provider- Áp dụng những giới hạn nào?
POST /v1/audio/transcriptions·mistralai/voxtral-small-24b-2507-stt:temperature.minimum:0;temperature.maximum:1