Voxtral Small

Voxtral Small 属于 Mistral 的 voxtral 系列，走的是「音频进、文本出」的路线：输入的音频与文本、PDF 附件被放在同一个上下文里理解，输出统一为文本。它主要解决两类问题，一是把会议录音、客服通话、访谈等长音频直接变成摘要、要点或结构化字段，二是让带语音输入的应用不必再串联「语音识别 + 大模型」两套服务，减少链路与成本。32K 级别的上下文窗口配合最高 32000 tokens 的单次输出，意味着可以一次性处理较长音频并生成篇幅可观的整理结果。模型开放权重，厂商报价处于较低区间，同时提供工具调用、结构化输出、附件输入与温度调节等能力，适合被嵌入到既有业务流程中，而不是只做演示性质的对话。

选型建议需要低成本、可自托管的音频转结构化文本能力时选它；若要求语音输出、超长音频一次处理或强依赖公开跑分背书，则应另作评估。

• 把会议或访谈录音连同议题文本一起提交，生成分角色的纪要草稿
• 将客服通话音频转为结构化字段，供质检与工单系统直接消费
• 为语音助手类应用接入音频理解，直接输出文本答复而非语音
• 批量处理带 PDF 附件的语音说明材料，汇总成统一文本报告

公开资料对 Voxtral Small 的底层结构披露有限，可以确认的是它以开源权重形式发布，并原生支持音频与文本、PDF 混合输入。

• 结构沿用 voxtral 系列的语音理解路线，把音频编码结果与文本输入放进同一上下文统一处理，输出侧只产出文本，不生成语音。
• 能力原生支持工具调用与结构化输出，配合附件输入，可把音频内容直接整理成 JSON 字段或触发下游函数，减少二次解析。
• 披露参数量、音频编码器细节与训练数据构成在公开资料中着墨不多，具体实现细节宜以官方权重说明为准。

开源权重

是

模型家族

voxtral

本站未收录该模型的公开跑分，以下判断基于其能力配置与定价档位，属于定性描述。

• 强项音频与文本同上下文处理，配合结构化输出和工具调用，适合把长语音直接转成可落库的字段或摘要，链路比「ASR＋LLM」拼接更短。
• 短板输出模态仅限文本，不适合需要语音合成回放的场景；超长音频仍受 32K 上下文约束，需分段处理。
• 适合会议纪要、客服质检、访谈整理等以语音转文字后加工为主的任务，对纯文本推理的极致深度不应抱过高期待。

官方报价为输入 0.1 美元、输出 0.4 美元每百万 tokens，在同上下文规模的语音理解模型中处于低价区间。

• 定位面向成本敏感的批量音频处理，输入价与同系列其他托管版本基本持平，适合作为默认工作档位。
• 横向对比Mistral Saba 的输入与输出价均为其两倍，Voxtral Mini 3B 在部分平台输入价低约六成，形成高低搭配。
• 平台差价各平台输入价集中在 0.1 美元附近，edenai 报价高出约一成并提供缓存读，输出价在 0.3 至 0.44 美元间浮动。
• 省钱音频量大时优先选输出价 0.3 美元/百万 tokens 的托管版本，并压缩提示中的冗余文本以降低输入侧消耗。

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 / $0.4/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

• 口径本站未收录该模型的公开跑分，任何识别准确率或理解能力的量化结论都缺乏本站数据支撑，需自行验证。
• 边界上下文窗口为 32768 tokens，超长录音须切分；输出仅文本，且缓存读价格并非所有平台都提供。

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。