Mistral: Voxtral Mini 3B 2507

Mistral: Voxtral Mini 3B 2507 to model rozumienia mowy i dźwięku od Mistral AI. Należy do kategorii transkrypcji, a data wydania przez dostawcę to 2026-08-13. Nazwa odzwierciedla jego konstrukcję: kompaktowy model 3B w linii Voxtral, w wersji 2507. Jeśli już pracujesz z modelami Mistral w innych miejscach swojego stosu, ten rozszerza tę rodzinę na przetwarzanie dźwięku, a nie generowanie tekstu.

Model przyjmuje dźwięk jako modalność wejściową i zwraca transkrypcję jako modalność wyjściową. Mistral opisuje go jako odpowiedni do transkrypcji, tłumaczenia i kompaktowych zadań przetwarzania dźwięku, więc to są zadania, które należy uwzględnić w planowaniu. Opis dostawcy nie podaje okna kontekstu i dla tego modelu nie podano długości kontekstu, więc obsługę długich nagrań audio należy zweryfikować względem własnego obciążenia, a nie zakładać. Podane maksymalne wyjście wynosi 0, co oznacza, że przy projektowaniu potoku nie należy polegać na udokumentowanym budżecie tokenów wyjściowych.

Praktyczne zastosowania wynikają bezpośrednio z tych możliwości. Transkrypcja jest podstawowa: zamiana nagranej mowy na tekst. Tłumaczenie jest drugie, co w modelu audio zwykle oznacza pracę z mową w jednym języku i generowanie tekstu w innym. Trzecie to kompaktowe przetwarzanie dźwięku, szeroka etykieta obejmująca mniejsze lub lżejsze zadania audio, w których model 3B jest rozsądnym wyborem. Ponieważ model jest mały, pasuje do obciążeń, w których chcesz rozumieć dźwięk bez dużego modelu, takich jak zadania transkrypcji wsadowej, nagrania spotkań lub rozmów oraz potoki przekazujące transkrybowany tekst do dalszych etapów.

Wywołujesz go przez zgodne z OpenAI API api14, używając identyfikatora modelu "mistralai/voxtral-mini-3b-2507". Ponieważ interfejs jest zgodny z OpenAI, możesz skierować istniejącego klienta OpenAI na api14 i wysyłać dźwięk w zwykły sposób, a transkrypcja zostanie zwrócona jako wynik. Należy pamiętać, że dla tego modelu nie podano żadnych obsługiwanych parametrów, więc nie zakładaj, że opcje dostrajania takie jak temperature lub top_p są akceptowane. Wyślij identyfikator modelu i dźwięk wejściowy, a aktualne stawki sprawdź w tabeli cen na stronie.

Jeśli chodzi o limity, fakty są tu skąpe. Nie podano długości kontekstu, a maksymalne wyjście wynosi 0, więc jeśli Twoja praca zależy od bardzo długiego dźwięku lub gwarantowanego budżetu wyjściowego, potwierdź działanie przed podjęciem decyzji. Jeśli potrzebujesz generowania tekstu, a nie transkrypcji dźwięku, lepiej pasować będzie model tekstowy z katalogu. Do transkrypcji, tłumaczenia i kompaktowego przetwarzania dźwięku ten model jest bezpośrednim dopasowaniem.