Voxtral Small 24B 2507 (Amazon Bedrock)

它属于 voxtral 系列中体量居中的一档，与同门的 Voxtral Mini 3B 2507 构成大小搭配：Mini 走轻量低价路线，Small 24B 则用更大参数换取更稳的语义理解与文本组织能力。要解决的核心问题是模态转换——音频素材过去通常要先交给独立的语音识别服务转成文字，再送进语言模型做摘要、改写或结构化，链路长、错误还会逐段累积；这个模型把音频与文本一起放进同一上下文，一次调用即可完成从听到写的流程。上下文窗口与单次最大输出同为 32768 tokens，意味着整段会议录音或长访谈可以被完整覆盖，输出侧也能直接给出成篇文本而非碎片。能力项上支持附件输入与温度调节，前者对应音频文件的上传，后者方便在严谨转写与灵活改写之间调档。官方定价为输入 0.1 美元、输出 0.3 美元每百万 tokens，输入侧在同类中偏便宜，但输出侧单价是输入的三倍，成本结构会明显影响用法设计。

选型建议需要音频进、文本出，并且看重开源权重与低输入价的团队可以选它；只做纯文本高难度推理、或需要公开跑分背书的场景，建议另找参照。

• 把客服通话录音批量转成文本稿，再抽取问题类型与处理结果
• 为播客或访谈音频生成章节标题与内容简介，直接产出可发布文本
• 上传会议录音附件，让模型输出结构化的待办事项与决议记录
• 对多语种语音素材先转写、再统一术语与表述口径
• 把温度调低后对转写结果做专有名词校正，减少名称漂移

延续 voxtral 系列把音频编码与语言解码串联的多模态路线，输入端兼容文本与音频，输出端只产出文本；更细的网络结构官方披露有限。

• 结构采用音频编码器对接语言解码器的串联设计，音频先被压缩成可参与注意力的表示，再与文本指令在同一上下文里共同处理。
• 能力支持附件输入与温度调节，上下文和单次输出同为 32768 tokens，长录音转写后接着做摘要或改写无需分段拼接。
• 披露模型卡与权重细节的公开程度有限，编码器层数、注意力变体等具体设计应以官方发布为准，不宜据传闻补全。

开源权重

是

模型家族

voxtral

本站未收录该模型的公开跑分，以下只依据输入输出模态、上下文长度与定价结构做定性判断，实际效果建议自测。

• 强项音频与文本同上下文处理，省掉先转写再喂给文本模型的串联环节，整段录音的转写、摘要、结构化可以在一次调用里完成。
• 短板缺少第三方评测参照，复杂推理、低资源语种和嘈杂音频上的表现难以预判；输出仅文本，不涉及语音合成类需求。
• 适合会议记录、播客整理、客服通话复盘这类以音频进、文本出的任务契合度较高；对逐字精度极敏感的字幕对齐建议先小样本验证。

官方价为输入 0.1 美元、输出 0.3 美元每百万 tokens，按输入价计在同组对照模型里处于偏低区间，但输出单价相对更高。

• 定位输入价与本站收录的通用文本模型相比不高，音频输入按同一 token 口径计费，适合作为长期跑量的转写与摘要主力。
• 横向对比Voxtral Mini 3B 2507 输入价低 60%，Mixtral 8x7B 与 Qwen2.5-Coder-32B 分别高出 300%、560%，属于家族内偏中档的选择。
• 平台差价本站只收录一家平台的挂牌报价，输入与输出均无价差，跨平台比价暂时无从展开，换供应商前需另行核实。
• 省钱输出价是输入价的三倍，压缩输出长度、用要点替代全文复述，比在平台之间迁移更能直接压低单次调用成本。

同一个模型在不同网关的报价可能不同。本页基准取官方口径 $0.1/M / $0.3/M（输入 / 输出，美元 / 百万 tokens），其余来源的差价在「相对输入价」列列出，供比价参考。

取上下文相近（约 0.5~2 倍）的同类主流模型；同厂商、同家族优先；价格差为相对本模型的输入价

• 口径名称里带 Amazon Bedrock，但本站只收录一家平台的挂牌价，实际账单可能随区域、调用方式与结算规则变化。
• 边界上下文与单次输出都止于 32768 tokens，超长录音需要切段；输出只有文本，不含音频生成，也没有缓存读价格可参考。

本页资料由多个公开来源交叉整理：按「官方目录 → 通用网关 → 开源仓库 → 中文资料」的优先级合并， 冲突时取优先级高的来源。价格单位是美元 / 百万 tokens，为各平台对 API 调用的报价，不含自部署成本。 资料由公开来源整理，不代表 AiTest 已对该模型或其收录中转站做过真实性、稳定性或安全检测。

本页的模型介绍、架构、性能与性价比解读为 AI 综合公开信息整理，部分未经本站逐项核实；规格、价格与跑分以本页数据字段为准。