Mistral: Voxtral Mini 3B 2507
Voxtral Mini 1.0 3B 2507 將音訊理解與精巧文字模型結合，適用於轉錄、語音翻譯、問答及摘要。原廠記載 32K 上下文、轉錄最長 30 分鐘或音訊理解最長 40 分鐘，並輸出文字。
關於模型
此說明介紹模型的能力。Ailoot 可用的輸入、輸出與選項，依所選方法列於下方。
Voxtral Mini 1.0 3B 2507 是 Mistral AI 基於 Ministral 3B 語言模型系列打造的精巧文字與音訊理解模型。它接受語音錄音與文字指令，產生文字，包括逐字稿、翻譯、音訊問答及結構化摘要。原始 Voxtral 發布內容將此 3B 模型定位於精巧或本機應用，與獨立的 24B Voxtral Small 模型並列。它也不同於託管且針對轉錄最佳化的 Voxtral Mini Transcribe 服務。
模型具有專用轉錄模式，預設會自動預測來源語言並據此轉錄。當所需成品是口述原文時，請選擇該模式。音訊理解則允許直接針對錄音提問或要求摘要，不需要先經獨立語音辨識階段，再交給文字模型。因此，訪談可以產出完整逐字稿、翻譯或特定問題的回答；請指定所需結果，避免這些不同任務混成含糊的單一簡報。
此確切版本模型卡列出 32K 個 token 上下文，以及轉錄最長 30 分鐘或理解最長 40 分鐘的音訊。這些是不同任務的特定時長說明，並非每個操作共用的音訊額度。請將相關錄音、指令與對話維持在預定任務範圍內。原廠具名的語言為英語、西班牙語、法語、葡萄牙語、印地語、德語、荷蘭語及義大利語，並提供自動語言偵測。進行翻譯或回答時，請區分錄音語言與必要輸出語言。
支援單則訊息中的多個音訊輸入，以及多個使用者回合中的音訊。要求比較時，請為每段錄音提供清楚識別碼。一個原創範例是比較兩段口述說明，回傳哪些需求改變，並為每個來源各設一欄。後續追問可以詢問某項發現背後的細節，或提供另一段錄音。模型卡也示範純文字與純音訊使用，讓模型能同時處理書面問題與語音證據。
製作會議摘要時，請提供錄音，並要求主題、已陳述決策及後續行動等實用結構。將不確定的姓名、日期或責任歸屬，與清楚說出的事實分開。對訪談，請要求回答特定問題的陳述，並提供足夠周邊上下文以利理解。這些是產出可用文字成品的任務設計，不會讓一般音訊理解成為說話者分離、字詞時間戳記，或識別未具名說話者的保證。
原廠描述根據口述意圖進行函式呼叫。在這類工作流程中，應用程式提供函式定義，模型提出相關呼叫與引數，應用程式執行並回傳觀察。因此，語音請求可以引導查詢或其他工具輔助任務，但模型建議的呼叫與已執行動作不同。繼續對話時，請保留實際回傳結果，讓後續回答反映發生了什麼，而非要求了什麼。
發布的使用模型卡建議轉錄使用 temperature 0.0，音訊理解與聊天則使用 temperature 0.2 及 top_p 0.95。它指出此流程不支援系統提示詞，因此請將任務與回應需求放在使用者輸入。範例將錄音解碼為音訊輸入，並包含 MP3 材料，但並未確立完整編解碼器清單，或獨立的硬性最大輸出長度。範例中的 500 個 token 生成設定仍是範例預算。
請準備包含任務相關材料的清楚錄音，並指定需要原文、翻譯、回答或摘要。模型卡也展示多個對話的批次推論，這是開發者使用模式，與個別結果的身分分開。請保留 3B 2507 版本，以及轉錄與理解各自的時長指引；後來 Mini Transcribe 2 模型的說話者分離、13 種語言型號資料及更長錄音支援，屬於獨立的開發者功能。
Ailoot Ultra · 語音轉文字 POST /v1/audio/transcriptions mistralai/voxtral-mini-3b-2507
mistralai/voxtral-mini-3b-2507
mistralai/voxtral-mini-3b-2507入門
Voxtral Mini 1.0 3B 2507 將音訊理解與精巧文字模型結合，適用於轉錄、語音翻譯、問答及摘要。原廠記載 32K 上下文、轉錄最長 30 分鐘或音訊理解最長 40 分鐘，並輸出文字。
- 接受的輸入
- 音訊
- 結果
- 文字
Ailoot 可用 · 輸入與方法
Ailoot Ultra · 語音轉文字 POST /v1/audio/transcriptions
- 輸入
audio- 輸出
text
| 欄位 | 類型 | 要求 | 值與限制 | 預設值 |
|---|---|---|---|---|
欄位model | 類型string | 要求必填 | 值與限制 mistralai/voxtral-mini-3b-2507 | 預設值— |
欄位input_audio | 類型object | 要求必填 | 值與限制 | 預設值— |
欄位language | 類型string | 要求選填 | 值與限制 | 預設值— |
欄位temperature | 類型number | 要求選填 | 值與限制 最小值: 0 最大值: 1 | 預設值— |
欄位response_format | 類型string | 要求選填 | 值與限制 json, verbose_json | 預設值json |
欄位timestamp_granularities | 類型array | 要求選填 | 值與限制 | 預設值— |
欄位provider | 類型object | 要求選填 | 值與限制 | 預設值— |
方法參數與生命週期
| 參數 | 規格 |
|---|---|
參數content_type | 規格application/json |
參數required | 規格model, input_audio |
參數material_types | 規格audio |
參數material_conditions | 規格請讀取實際的 WAV 檔案，並將其真實位元組編碼，用於所宣告的 JSON input_audio；此確切的純 JSON 宣告並未提供 multipart 路由。 |
生命週期： synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · 實際回傳的 task_id 或媒體庫紀錄
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
方案
最終費用的計算方式
顯示的費率用於在生成前估算費用。最終費用依原始生成作業記錄的成本計算。實測的輸出時間長度與預估數量並非最終計費數量。
費率資訊不會增加請求選項。支援的參數列於所選方法中。
- 快速模式
- 未指定 選取快速模式時
- flex 模式
- 未指定 選取 flex 模式時
- 最高推理強度
- 未指定 最高推理強度採用 default 調整值時
供比較的預估費率
各設定的價格
請逐一核對各項費用與所列條件。每組互為替代選項的設定只套用一種費率。
| 設定 | 費率表 | 預估數量 | 計費單位 | 費用 |
|---|---|---|---|---|
| 設定基礎 token 費率 | 費率表基本費率 | 預估數量— | 計費單位— | 費用 輸入 · 輸入 Token · 僅供比較的估算 — / 1K Token 輸出 · 輸出 Token · 僅供比較的估算 — / 1K Token 輸入 · 讀取快取 · 僅供比較的估算 — / 1K Token 輸入 · 寫入快取 · 僅供比較的估算 — / 1K Token 輸入 · 寫入快取，1 小時 · 僅供比較的估算 — / 1K Token |
| 設定輸入音訊秒數 | 費率表— | 預估數量— | 計費單位每秒輸入音訊 | 費用 輸入 · 輸入音訊秒數 · 僅供比較的估算 $0.0000333334 每秒輸入音訊 |
| 設定預估生成費用 | 費率表— | 預估數量單次生成估算值 | 計費單位— | 費用 輸出 · 預估生成費用 · 僅供比較的估算 $0.0000333334 生成前估算 此估算並非額外費用，也不是本次生成完成後的固定費率。 |
Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →
請求範例
Ailoot Ultra · 語音轉文字
set -eu
: "${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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o response.bin
# Keep the complete original response and headers. Read every returned segment, word and usage field.
# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.
接收並儲存結果
Ailoot Ultra · 語音轉文字
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
其他內容讀取方式
set -eu
: "${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.
保留所有已完成的結果
請保留所有完整傳回的回應、檔案與內容區塊。
保留完整回應與標頭、所有實際輸出、原始回傳的識別碼，以及所有用量欄位。恢復原始作業時，請勿再次提交建立請求。
需要檢查原始回應時
保留回傳的 X-Client-Request-ID，以供核對。僅讀取實際回傳的 task_id/asset_id 值或自己擁有的媒體庫；請勿以作業 ID 組成任務 URL，也請勿重新提交建立請求。
回應欄位
| 欄位 | 類型 |
|---|---|
欄位text | 類型 |
欄位usage | 類型 |
欄位segments[] | 類型 |
欄位words[] | 類型 |
欄位speaker fields | 類型 |
欄位timestamps | 類型 |
別名
模型別名
Ailoot Ultra mistralai/voxtral-mini-3b-2507
方法路徑別名
請使用上方列出的 API 方法路徑。
相關呼叫用 ID
FAQ · Mistral: Voxtral Mini 3B 2507
- 可以使用哪些輸入與結果？
POST /v1/audio/transcriptions·mistralai/voxtral-mini-3b-2507:audio→text- 請求使用哪些欄位？
POST /v1/audio/transcriptions·mistralai/voxtral-mini-3b-2507:model,input_audio,language,temperature,response_format,timestamp_granularities,provider- 適用哪些限制？
POST /v1/audio/transcriptions·mistralai/voxtral-mini-3b-2507:temperature.minimum:0;temperature.maximum:1