Mistral: Voxtral Small 24B 2507

Mistral: Voxtral Small 24B 2507 to model od Mistral, udostępniony przez dostawcę 2025-10-30. Należy do kategorii tekstowej i został zbudowany jako ulepszenie Mistral Small 3, dodając możliwości wprowadzania dźwięku przy zachowaniu wydajności tekstowej wcześniejszego modelu. Jeśli znasz już Mistral Small 3, użytecznym sposobem myślenia o Voxtral Small jest to, że zachowuje zachowanie tekstowe i rozszerza to, co model może przyjmować jako dane wejściowe.

W zakresie danych wejściowych i wyjściowych model przyjmuje tekst, dźwięk i pliki, a zwraca wyłącznie tekst. Okno kontekstu wynosi 32768 tokenów, a maksymalne wyjście to 26214 tokenów. Według dostawcy wyróżnia się w transkrypcji mowy, tłumaczeniu i rozumieniu dźwięku, co oznacza, że dźwięk nie jest doklejonym dodatkiem, lecz pełnoprawną ścieżką wejściową obok tekstu. Połączenie kontekstu 32k i wysokiego limitu wyjścia czyni go praktycznym w zadaniach, w których dane wejściowe są długie, takich jak nagranie spotkania plus instrukcje, a odpowiedź potrzebuje miejsca.

Te możliwości wskazują na dość konkretny zestaw przypadków użycia. Transkrypcja mowy jest oczywista, niezależnie od tego, czy zamieniasz nagrania w zapisy pisemne, czy wprowadzasz treść mówioną do potoku tekstowego. Tłumaczenie wynika z tego samego rozumienia dźwięku, na przykład konwersji mowy w jednym języku na tekst w innym. Rozumienie dźwięku obejmuje szersze przypadki: streszczanie rozmowy, wyodrębnianie zadań z nagrania lub odpowiadanie na pytania o to, co zostało powiedziane. Ponieważ wprowadzanie tekstu jest nadal obsługiwane, a model zachowuje silną wydajność tekstową, możesz także mieszać modalności w jednym żądaniu, przekazując transkrypcję lub dokument obok dźwięku i prosząc o połączony wynik.

Model wywołujesz przez zgodne z OpenAI API api14, używając identyfikatora modelu "mistralai/voxtral-small-24b-2507". Obsługiwane parametry żądania to frequency_penalty, max_tokens, presence_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools i top_p. Wywoływanie narzędzi i ustrukturyzowane wyjścia są dostępne, więc możesz wpiąć model w pętlę agenta lub wymusić odpowiedź w kształcie JSON, gdy wyjście zasila inny system. Kontrolki próbkowania (temperature, top_p, dwie kary, seed i stop) działają zgodnie z oczekiwaniami dla punktu końcowego zgodnego z OpenAI.

Głównym ograniczeniem do zapamiętania jest modalność wyjściowa: model zwraca tekst, nie dźwięk, więc nie jest opcją syntezy mowy. Okno kontekstu 32768 tokenów jest również umiarkowane, a bardzo długie dokumenty lub wielogodzinne nagrania mogą wymagać podzielenia na fragmenty, zanim się zmieszczą. Jeśli twoje zadanie jest czysto tekstowe i nie korzysta z wprowadzania dźwięku, prostszym dopasowaniem może być model tylko tekstowy. Jeśli potrzebujesz dźwięku na wejściu i tekstu na wyjściu, ten model jest skierowany dokładnie na to.