Mistral: Voxtral Small 24B 2507

Mistral: Voxtral Small 24B 2507 är en modell från Mistral, släppt av leverantören 2025-10-30. Den tillhör textkategorin och är byggd som en förbättring av Mistral Small 3, med tillägg av ljudinmatningsfunktioner samtidigt som textprestandan från den tidigare modellen behålls. Om du redan känner till Mistral Small 3 är det användbara sättet att tänka på Voxtral Small att den behåller textbeteendet och utökar vad modellen kan ta emot som indata.

När det gäller indata och utdata accepterar modellen text, ljud och filer, och den producerar endast text. Kontextfönstret är 32768 tokens, och maximal utdata är 26214 tokens. Enligt leverantören är den utmärkt på talltranskribering, översättning och ljudförståelse, vilket innebär att ljud inte är ett påklistrat tillägg utan en förstklassig inmatningsväg vid sidan av text. Kombinationen av ett 32k-kontextfönster och ett högt utdatatak gör den praktisk för uppgifter där indata är lång, till exempel en mötesinspelning plus instruktioner, och svaret behöver utrymme att andas.

Dessa förmågor pekar mot en ganska specifik uppsättning användningsfall. Talltranskribering är det uppenbara, oavsett om du omvandlar inspelningar till skriftliga protokoll eller matar in talat innehåll i en textpipeline. Översättning följer av samma ljudförståelse, till exempel att konvertera tal på ett språk till text på ett annat. Ljudförståelse täcker de bredare fallen: sammanfatta ett samtal, extrahera åtgärdspunkter från en inspelning eller svara på frågor om vad som sades. Eftersom textinmatning fortfarande stöds och modellen behåller stark textprestanda kan du också blanda modaliteter i en begäran, skicka en transkription eller ett dokument tillsammans med ljud och be om ett kombinerat resultat.

Du anropar modellen via api14:s OpenAI-kompatibla API med modell-id "mistralai/voxtral-small-24b-2507". De stödda begärandeparametrarna är frequency_penalty, max_tokens, presence_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools och top_p. Verktygsanrop och strukturerade utdata är båda tillgängliga, så du kan koppla in modellen i en agentloop eller tvinga fram ett JSON-format svar när utdata matar ett annat system. Samplingskontroller (temperature, top_p, de två straffen, seed och stop) beter sig som du förväntar dig av en OpenAI-kompatibel endpoint.

Den främsta begränsningen att ha i åtanke är utdatamodaliteten: modellen returnerar text, inte ljud, så den är inte ett alternativ för talsyntes. Kontextfönstret på 32768 tokens är också måttligt, och mycket långa dokument eller flera timmar långa inspelningar kan behöva delas upp innan de passar. Om din uppgift är helt textbaserad och inte drar nytta av ljudinmatning kan en text-only-modell vara en enklare lösning. Om du behöver ljud in och text ut är den här modellen direkt riktad mot det.