Mistral: Voxtral Small 24B 2507 STT

Mistral: Voxtral Small 24B 2507 STT é um modelo de transcrição de fala da Mistral AI. Ele está na categoria de transcrição, e seu nome reflete tanto a capacidade maior de 24B do modelo quanto seu foco em trabalho de fala para texto. A Mistral o posiciona para cargas de trabalho de transcrição, tradução e compreensão de áudio que se beneficiam dessa maior capacidade do modelo, então ele é voltado para desenvolvedores que precisam de mais do que uma passagem mínima de fala para texto sobre seu áudio.

O modelo recebe áudio como sua modalidade de entrada e retorna uma transcrição como sua saída. Essa é toda a forma da interface: você envia áudio, você recebe texto de volta. Nenhum comprimento de contexto é listado para este modelo, e nenhum parâmetro de requisição suportado é listado também, então você deve tratá lo como um endpoint focado de propósito único em vez de um modelo de chat geral que você pode direcionar com controles de amostragem. Os detalhes também listam uma saída máxima de 0, o que significa que não há um orçamento de tokens de saída anunciado separadamente para planejar.

Os usos práticos decorrem diretamente dessa forma de áudio entra, transcrição sai. Gravações de reuniões e chamadas podem ser transformadas em texto para busca, revisão ou arquivamento. Notas de voz e entrevistas podem ser transcritas em massa. Como a descrição do provedor também menciona tradução, o modelo pode ser usado onde o objetivo não é apenas capturar o que foi dito, mas apresentá lo em outro idioma. Cargas de trabalho de compreensão de áudio, como extrair o conteúdo de material falado para processamento posterior, são outro encaixe. Se seu pipeline precisa de um modelo de texto para resumir ou classificar a transcrição depois, esse é um passo separado com um modelo separado.

Você o chama através da API compatível com OpenAI da api14 usando o id de modelo "mistralai/voxtral-small-24b-2507-stt". Como o endpoint segue o formato OpenAI, você pode apontar bibliotecas cliente OpenAI existentes para a api14 e enviar seu áudio na requisição, então ler a transcrição da resposta. Nenhum parâmetro suportado é listado para este modelo, então não há nada para ajustar além de selecionar o modelo e fornecer o áudio; mantenha sua requisição simples e evite assumir que temperature, top_p ou controles similares terão efeito.

Como nenhum comprimento de contexto é publicado e nenhum parâmetro é exposto, este modelo é melhor tratado como um componente dedicado de transcrição em vez de algo que você configura pesadamente. Se você precisa de um modelo que aceite prompts de texto junto com áudio, ou um onde você possa controlar o comportamento de geração através de parâmetros de requisição, outro modelo no catálogo pode se encaixar melhor. Para trabalho direto de fala para texto e tradução de fala, este é a escolha direta.