Mistral: Voxtral Small 24B 2507 STT

Mistral: Voxtral Small 24B 2507 STT är en modell för taltranskribering från Mistral AI. Den tillhör kategorin transkribering, och namnet återspeglar både modellens större kapacitet på 24B och dess fokus på arbete med tal till text. Mistral positionerar den för arbetsbelastningar inom transkribering, översättning och ljudförståelse som drar nytta av den större modellkapaciteten, så den riktar sig till utvecklare som behöver mer än en minimal genomgång av tal till text på sitt ljud.

Modellen tar ljud som sin indatamodalitet och returnerar en transkribering som sin utdata. Det är hela formen på gränssnittet: du skickar ljud, du får text tillbaka. Ingen kontextlängd anges för den här modellen, och inga parametrar för förfrågan som stöds anges heller, så du bör betrakta den som en fokuserad specialiserad slutpunkt snarare än en allmän chattmodell som du kan styra med samplingskontroller. Detaljerna anger också en maximal utdata på 0, vilket innebär att det inte finns någon separat annonserad tokenbudget för utdata att planera kring.

De praktiska användningsområdena följer direkt av den formen: ljud in, transkribering ut. Inspelningar av möten och samtal kan omvandlas till text för sökning, granskning eller arkivering. Röstanteckningar och intervjuer kan transkriberas i bulk. Eftersom leverantörens beskrivning också nämner översättning kan modellen användas där målet inte bara är att fånga vad som sades utan att återge det på ett annat språk. Arbetsbelastningar inom ljudförståelse, till exempel att extrahera innehållet i talat material för vidare bearbetning, är en annan passande uppgift. Om din pipeline behöver en textmodell för att sammanfatta eller klassificera transkriberingen efteråt är det ett separat steg med en separat modell.

Du anropar den via api14:s OpenAI-kompatibla API med modell-id:t "mistralai/voxtral-small-24b-2507-stt". Eftersom slutpunkten följer OpenAI-formatet kan du rikta befintliga OpenAI-klientbibliotek mot api14 och skicka ditt ljud i förfrågan och sedan läsa transkriberingen från svaret. Inga parametrar som stöds anges för den här modellen, så det finns inget att justera utöver att välja modellen och tillhandahålla ljudet; håll din förfrågan enkel och undvik att anta att temperature, top_p eller liknande reglage kommer att ha någon effekt.

Eftersom ingen kontextlängd publiceras och inga parametrar exponeras är den här modellen bäst att betrakta som en dedikerad transkriberingskomponent snarare än något du konfigurerar i stor utsträckning. Om du behöver en modell som accepterar textpromptar tillsammans med ljud, eller en där du kan styra genereringsbeteendet via parametrar för förfrågan, kan en annan modell i katalogen passa bättre. För enkelt arbete med tal till text och talöversättning är den här det direkta valet.