Mistral: Voxtral Small 24B 2507

Mistral: Voxtral Small 24B 2507 é um modelo da Mistral, lançado pelo fornecedor em 2025-10-30. Ele está na categoria de texto e foi construído como um aprimoramento do Mistral Small 3, adicionando capacidades de entrada de áudio enquanto mantém o desempenho de texto desse modelo anterior. Se você já conhece o Mistral Small 3, a maneira útil de pensar sobre o Voxtral Small é que ele mantém o comportamento de texto e estende o que o modelo pode aceitar como entrada.

Sobre entradas e saídas, o modelo aceita texto, áudio e arquivos, e produz apenas texto. A janela de contexto é de 32768 tokens, e a saída máxima é de 26214 tokens. Segundo o fornecedor, ele se destaca em transcrição de fala, tradução e compreensão de áudio, o que significa que o áudio não é um extra acoplado, mas um caminho de entrada de primeira classe ao lado do texto. A combinação de um contexto de 32k e um teto de saída grande o torna prático para tarefas em que a entrada é longa, como uma gravação de reunião mais instruções, e a resposta precisa de espaço para respirar.

Essas capacidades apontam para um conjunto bastante específico de casos de uso. A transcrição de fala é o mais óbvio, seja para transformar gravações em registros escritos ou para alimentar conteúdo falado em um pipeline de texto. A tradução decorre da mesma compreensão de áudio, por exemplo, convertendo fala em um idioma para texto em outro. A compreensão de áudio cobre os casos mais amplos: resumir uma chamada, extrair itens de ação de uma gravação ou responder perguntas sobre o que foi dito. Como a entrada de texto ainda é suportada e o modelo mantém um forte desempenho em texto, você também pode misturar modalidades em uma única requisição, passando uma transcrição ou um documento junto com áudio e pedindo um resultado combinado.

Você chama o modelo através da API compatível com OpenAI da api14 usando o id de modelo "mistralai/voxtral-small-24b-2507". Os parâmetros de requisição suportados são frequency_penalty, max_tokens, presence_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools e top_p. Chamada de ferramentas e saídas estruturadas estão ambas disponíveis, então você pode conectar o modelo em um loop de agente ou forçar uma resposta em formato JSON quando a saída alimenta outro sistema. Os controles de amostragem (temperature, top_p, as duas penalidades, seed e stop) se comportam como você esperaria de um endpoint compatível com OpenAI.

A principal restrição a ter em mente é a modalidade de saída: o modelo retorna texto, não áudio, então não é uma opção de síntese de fala. A janela de contexto de 32768 tokens também é moderada, e documentos muito longos ou gravações de várias horas podem precisar de chunking antes de caberem. Se sua tarefa é puramente texto e não se beneficia de entrada de áudio, um modelo apenas de texto pode ser um encaixe mais simples. Se você precisa de áudio na entrada e texto na saída, este modelo é direcionado exatamente para isso.