Mistral: Voxtral Small 24B 2507

Mistral: Voxtral Small 24B 2507 è un modello di Mistral, rilasciato dal provider il 2025-10-30. Si colloca nella categoria testo ed è costruito come un potenziamento di Mistral Small 3, aggiungendo capacità di input audio pur mantenendo le prestazioni testuali di quel modello precedente. Se conosci già Mistral Small 3, il modo utile di pensare a Voxtral Small è che mantiene il comportamento testuale ed estende ciò che il modello può accettare come input.

Sugli input e output, il modello accetta testo, audio e file, e produce solo testo. La finestra di contesto è di 32768 token, e l'output massimo è di 26214 token. Secondo il provider, eccelle nella trascrizione vocale, nella traduzione e nella comprensione audio, il che significa che l'audio non è un extra aggiunto ma un percorso di input di prima classe accanto al testo. La combinazione di un contesto da 32k e di un tetto di output elevato lo rende pratico per attività in cui l'input è lungo, come la registrazione di una riunione più istruzioni, e la risposta ha bisogno di spazio per respirare.

Queste capacità indicano un insieme piuttosto specifico di casi d'uso. La trascrizione vocale è quello ovvio, sia che tu stia trasformando registrazioni in documenti scritti sia che tu stia immettendo contenuto parlato in una pipeline testuale. La traduzione deriva dalla stessa comprensione audio, per esempio convertendo il parlato in una lingua in testo in un'altra. La comprensione audio copre i casi più ampi: riassumere una chiamata, estrarre elementi d'azione da una registrazione, o rispondere a domande su quanto è stato detto. Poiché l'input testuale è ancora supportato e il modello mantiene forti prestazioni testuali, puoi anche combinare le modalità in una sola richiesta, passando una trascrizione o un documento insieme all'audio e chiedendo un risultato combinato.

Chiami il modello tramite l'API compatibile con OpenAI di api14 usando l'id del modello "mistralai/voxtral-small-24b-2507". I parametri di richiesta supportati sono frequency_penalty, max_tokens, presence_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools e top_p. La chiamata agli strumenti e gli output strutturati sono entrambi disponibili, quindi puoi collegare il modello a un ciclo di agenti o forzare una risposta in formato JSON quando l'output alimenta un altro sistema. I controlli di campionamento (temperature, top_p, le due penalità, seed e stop) si comportano come ti aspetteresti da un endpoint compatibile con OpenAI.

Il vincolo principale da tenere a mente è la modalità di output: il modello restituisce testo, non audio, quindi non è un'opzione di sintesi vocale. La finestra di contesto di 32768 token è anche moderata, e documenti molto lunghi o registrazioni di più ore potrebbero richiedere il chunking prima di rientrare. Se la tua attività è puramente testuale e non trae beneficio dall'input audio, un modello solo testo potrebbe essere una scelta più semplice. Se hai bisogno di audio in ingresso e testo in uscita, questo modello è mirato esattamente a questo.