Mistral: Voxtral Small 24B 2507 STT
Voxtral Small 1.0 24B 2507 是用於轉錄、語音翻譯、問答及摘要的文字與音訊模型。原廠記載 32k 上下文、轉錄最長 30 分鐘或理解最長 40 分鐘、支援多個音訊輸入，並產生文字結果。
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 Small 1.0 24B 2507 在 Mistral Small 語言模型骨幹上加入音訊輸入與語音理解。它接受音訊與文字並回傳文字，包括逐字稿、關於錄音的回答、翻譯或結構化摘要。這是具名的 24B 語音理解版本，與 Voxtral Mini、針對轉錄最佳化的服務變體，以及後來的 Voxtral 語音生成或即時版本不同。
轉錄與音訊理解
模型有專用的純轉錄模式。原廠指出，預設會自動預測來源音訊語言，並據此轉錄。當所需成品是實際說出的措辭，而非解讀或摘要時，請使用此模式。指出結果應保留原始語言，或在其後另行要求翻譯。
音訊理解允許直接對錄音提問，不必先串接獨立語音辨識模型與文字模型。請求可以詢問討論了什麼主題、陳述了什麼決策，或錄音中的哪些資訊回答特定問題。結果可為精簡回應或有條理的摘要，而非每個口述字詞的完整逐字稿。
製作會議摘要時，請提供錄音並定義回傳欄位：主題、明確陳述的決策及後續行動。只有錄音實際提及時才要求姓名或日期，並將未解細節與決策分開。對訪談，請要求回答特定問題，並提供讓回答可理解的周邊上下文。這些輸出設計將音訊任務連結到之後可供使用的文件。
上下文、時長與語言
原廠記載 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。兩個時長數字具有不同任務範圍。請先選擇期望操作再選錄音，並在規劃可用上下文時納入文字指令與對話。長錄音與長篇書面回答都會消耗資源；時長說明不是獨立的無限回答長度承諾。
發布內容將英語、西班牙語、法語、葡萄牙語、印地語、德語、荷蘭語及義大利語列為主要支援語言，並提供自動語言偵測。進行語音翻譯時，請設定目標語言，以及應保留原始形式的術語。對以某種語言錄製的音訊提問時，請區分錄音語言與回答應使用的書面語言。
多段錄音與後續問題
模型卡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。比較錄音時，請為各錄音提供識別碼並說明角色。實際請求可以比較兩個口述說明版本、詢問哪些條件改變，並回傳每段錄音各有一欄的表格。識別碼有助於讓模型發現對應正確來源。
後續追問可以保留先前問題與回答，同時詢問更細的資訊或提供另一段錄音。例如，先要求列出討論中的決策，再詢問哪項決策與特定需求相關。同一版本也展示純文字與純音訊請求。文字骨幹可處理書面問題或結果，音訊能力則提供語音證據。
語音驅動函式
原廠描述依口述意圖進行函式呼叫，並將發布模型卡中的函式呼叫範例標為實驗性支援。在此工作流程中，應用程式定義函式及引數，模型依請求準備呼叫，應用程式再執行並提供結果。因此，語音查詢可以利用連接工具的資訊回傳書面回答。函式呼叫不表示模型自動擁有外部服務，或僅因說出動作名稱就會執行。
請明確保留函式用途與必要資訊。如果錄音要求操作卻省略必要值，應用程式仍需要該值才能執行函式。請區分口述請求、建議引數與回傳結果，讓下一次回應能引用實際操作結果。
建議設定與實用界線
對音訊理解與聊天補全，模型卡建議 temperature 0.2、top-p 0.95；對轉錄則建議 temperature 0.0。它明確指出，這個發布的使用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中，不要從其他 Mistral 模型移植系統提示詞慣例。
請選擇包含問題相關材料的錄音，保持語音清楚，並指定結果應為逐字稿、翻譯、回答或摘要。文件記載的輸出是文字。語音回應需要文字轉語音元件，而說話者識別、詳細說話者分離或字詞層級時間戳記，不應從此確切版本的一般音訊理解描述推定。
模型卡的 500 個 token 生成範例是範例設定，並非另行陳述的最大輸出容量。準備可重複工作流程時，請保留 2507 版本、依任務而定的時長指引及輸入語言。實用的最終成品是所要求的文字，連結到錄音，並採用下一份文件或應用步驟所需格式。
Ailoot Ultra · 語音轉文字 POST /v1/audio/transcriptions mistralai/voxtral-small-24b-2507-stt
mistralai/voxtral-small-24b-2507-stt
mistralai/voxtral-small-24b-2507-stt入門
Voxtral Small 1.0 24B 2507 是用於轉錄、語音翻譯、問答及摘要的文字與音訊模型。原廠記載 32k 上下文、轉錄最長 30 分鐘或理解最長 40 分鐘、支援多個音訊輸入，並產生文字結果。
- 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-small-24b-2507-stt | 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 $0.0001 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 $0.0001 生成前估算 此估算並非額外費用，也不是本次生成完成後的固定費率。 |
Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →
請求範例
Ailoot Ultra · 語音轉文字
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual WAV recording}"
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
import base64
audio=Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4]==b'RIFF' and audio[8:12]==b'WAVE'): raise SystemExit('Supply an actual WAV audio file')
if len(audio)>26214400: raise SystemExit('Use a documented supported large-file flow')
request={'model': 'mistralai/voxtral-small-24b-2507-stt', 'input_audio': {'data': '${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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o response.bin
# Keep the complete original response and headers. Read every returned segment, word and usage field.
# Preserve actual operation/task/asset IDs; continue reads of the original result without resubmitting.
接收並儲存結果
Ailoot Ultra · 語音轉文字
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
其他內容讀取方式
set -eu
: "${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-small-24b-2507-stt
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 Small 24B 2507 STT
- 可以使用哪些輸入與結果？
POST /v1/audio/transcriptions·mistralai/voxtral-small-24b-2507-stt:audio→text- 請求使用哪些欄位？
POST /v1/audio/transcriptions·mistralai/voxtral-small-24b-2507-stt:model,input_audio,language,temperature,response_format,timestamp_granularities,provider- 適用哪些限制？
POST /v1/audio/transcriptions·mistralai/voxtral-small-24b-2507-stt:temperature.minimum:0;temperature.maximum:1