Mistral: Voxtral Small 24B 2507

Mistral: Voxtral Small 24B 2507 は Mistral のモデルで、プロバイダーによって 2025-10-30 にリリースされました。テキストカテゴリに属し、Mistral Small 3 の拡張として構築されており、その以前のモデルのテキスト性能を維持しつつ音声入力機能を追加しています。Mistral Small 3 をすでに知っているなら、Voxtral Small を有用に捉える方法は、テキストの挙動を保ちながらモデルが入力として受け入れられるものを拡張したものだと考えることです。

入力と出力について、このモデルはテキスト、音声、ファイルを受け入れ、テキストのみを生成します。コンテキストウィンドウは 32768 トークンで、最大出力は 26214 トークンです。プロバイダーによれば、音声の文字起こし、翻訳、音声理解に優れており、つまり音声は後付けの追加要素ではなく、テキストと並ぶ第一級の入力経路です。32k のコンテキストと大きな出力上限の組み合わせにより、会議の録音と指示のように入力が長く、回答に余裕が必要なタスクに実用的です。

これらの機能は、かなり特定のユースケース群を示しています。音声の文字起こしは明らかなもので、録音を書面の記録に変える場合でも、話された内容をテキストパイプラインに流し込む場合でも当てはまります。翻訳は同じ音声理解から導かれ、例えばある言語の音声を別の言語のテキストに変換します。音声理解はより広いケースをカバーします。通話の要約、録音からのアクションアイテムの抽出、または話された内容についての質問への回答です。テキスト入力も依然としてサポートされ、モデルが強力なテキスト性能を保っているため、1 つのリクエストでモダリティを混在させ、音声とともに文字起こしや文書を渡して統合された結果を求めることもできます。

このモデルは、モデル id "mistralai/voxtral-small-24b-2507" を使用して api14 の OpenAI 互換 API を通じて呼び出します。サポートされるリクエストパラメータは frequency_penalty、max_tokens、presence_penalty、response_format、seed、stop、structured_outputs、temperature、tool_choice、tools、top_p です。ツール呼び出しと構造化出力の両方が利用可能なので、モデルをエージェントループに組み込んだり、出力が別のシステムに渡される場合に JSON 形式の応答を強制したりできます。サンプリング制御 (temperature、top_p、2 つのペナルティ、seed、stop) は、OpenAI 互換エンドポイントから期待される通りに動作します。

留意すべき主な制約は出力モダリティです。モデルは音声ではなくテキストを返すため、音声合成の選択肢ではありません。32768 トークンのコンテキストウィンドウも中程度であり、非常に長い文書や数時間の録音は収まる前にチャンク分割が必要になる場合があります。タスクが純粋にテキストで、音声入力から恩恵を受けないなら、テキスト専用モデルの方がより単純に適合するかもしれません。音声を入力してテキストを出力する必要があるなら、このモデルはまさにそれに向けられています。