Mistral: Voxtral Small 24B 2507

Mistral: Voxtral Small 24B 2507 es un modelo de Mistral, publicado por el proveedor el 2025-10-30. Se sitúa en la categoría de texto y está construido como una mejora de Mistral Small 3, añadiendo capacidades de entrada de audio mientras conserva el rendimiento de texto de ese modelo anterior. Si ya conoces Mistral Small 3, la forma útil de pensar en Voxtral Small es que mantiene el comportamiento de texto y amplía lo que el modelo puede aceptar como entrada.

En cuanto a entradas y salidas, el modelo acepta texto, audio y archivos, y produce solo texto. La ventana de contexto es de 32768 tokens, y la salida máxima es de 26214 tokens. Según el proveedor, destaca en transcripción de voz, traducción y comprensión de audio, lo que significa que el audio no es un extra añadido sino una vía de entrada de primera clase junto al texto. La combinación de un contexto de 32k y un techo de salida amplio lo hace práctico para tareas donde la entrada es larga, como una grabación de reunión más instrucciones, y la respuesta necesita espacio para desarrollarse.

Esas capacidades apuntan a un conjunto bastante específico de casos de uso. La transcripción de voz es el más obvio, ya sea que estés convirtiendo grabaciones en registros escritos o alimentando contenido hablado a un pipeline de texto. La traducción se deriva de la misma comprensión de audio, por ejemplo convertir voz en un idioma a texto en otro. La comprensión de audio cubre los casos más amplios: resumir una llamada, extraer elementos de acción de una grabación o responder preguntas sobre lo que se dijo. Como la entrada de texto sigue siendo compatible y el modelo conserva un rendimiento de texto sólido, también puedes mezclar modalidades en una sola solicitud, pasando una transcripción o un documento junto con audio y pidiendo un resultado combinado.

Llamas al modelo a través de la API compatible con OpenAI de api14 usando el id de modelo "mistralai/voxtral-small-24b-2507". Los parámetros de solicitud compatibles son frequency_penalty, max_tokens, presence_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools y top_p. Tanto el llamado a herramientas como las salidas estructuradas están disponibles, así que puedes conectar el modelo a un bucle de agente o forzar una respuesta con forma JSON cuando la salida alimenta otro sistema. Los controles de muestreo (temperature, top_p, las dos penalizaciones, seed y stop) se comportan como esperarías de un endpoint compatible con OpenAI.

La principal restricción a tener en cuenta es la modalidad de salida: el modelo devuelve texto, no audio, así que no es una opción de síntesis de voz. La ventana de contexto de 32768 tokens también es moderada, y documentos muy largos o grabaciones de varias horas pueden necesitar fragmentación antes de encajar. Si tu tarea es puramente de texto y no se beneficia de la entrada de audio, un modelo solo de texto puede ser una opción más simple. Si necesitas audio de entrada y texto de salida, este modelo apunta directamente a eso.