Kan Voxtral Small 24B köras lokalt?

Ja, vikterna är öppna och tillgängliga på Hugging Face. Mistral rekommenderar att köra med vLLM, och du behöver cirka 55 GB GPU-RAM i bf16 eller fp16.

Vad kostar Voxtral Small 24B att använda via API?

Text kostar $0,10 per miljon inmatningstoken och $0,30 per miljon utmatningstoken. Ljudinput debiteras separat med $100 per miljon sekunder.

Hur skiljer sig Voxtral Small från Mistral Small 3.1?

Voxtral Small är byggd direkt på Mistral Small 3.1 och behåller all dess textkapacitet, men lägger till ett dedikerat ljudinmatningslager för transkription, översättning, ljud-Q&A och röststyrda funktionsanrop.

Voxtral Small 24B 2507

5768°

#llm #mistralai #ljud #fler språk #lokal #budget

Kör modellen

Erbjudanden / annonser

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

Mistral | 32,768 token kontext | $0.10/M input, $0.30/M output. Voxtral Small är en förbättring av Mistral Small 3, som integrerar toppmodern ljudinmatningskapacitet samtidigt som den behåller bästa textprestanda i sin klass. Den utmärker sig i taltranskription, översättning och ljudförståelse. Ingångsljud prissätts till $100 per miljon sekunder.

Guider för denna modell

Hur mycket VRAM behöver jag egentligen för lokal AI?

Öppna vikter vs öppen källkod vs endast API: vad du faktiskt får göra

Vad är en GGUF-fil? Förklaringar av kvantiserade modeller (Q4, Q8, fp8, NF4)

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

Voxtral Small 24B 2507 är Mistrals 24-miljarder-parameter ljudkapabla modell, byggd på Mistral Small 3.1-arkitekturen med ett dedikerat lager för ljudförståelse ovanpå. Den hanterar taltranskription, översättning och ljudbaserad Q&A i en och samma modell, och upptäcker automatiskt källspråket bland åtta stora språk. Öppna vikter och ett lågt API-pris gör den till ett praktiskt val för utvecklare som vill slippa sätta ihop separata ASR- och språkmodeller.

Känd för

Dedikerat transkriptionsläge som automatiskt upptäcker källspråk utan konfiguration.
Hanterar ljud upp till 30 minuter för transkription, 40 minuter för förståelse.
Funktionsanrop triggas direkt från talad röstinput.
Inbyggt flerspråkig: engelska, spanska, franska, portugisiska, hindi, tyska, nederländska, italienska.
Behåller full textkapacitet från Mistral Small 3.1 parallellt med ljudfunktionerna.

Se upp för

Systempromptar stöds ännu inte, vilket begränsar vissa distributionsmönster.
Körning lokalt kräver ungefär 55 GB GPU-RAM i bf16 eller fp16.
Ljudprissättning är separat från text: $100 per miljon sekunder ljudinput.

Bäst för

Agenter och verktygsanvändning

Promptar att prova

Transkribera och sammanfatta ljud

Bifoga en röstinspelning från ett möte eller föreläsning. Transkribera allt som sägs, och producera sedan en strukturerad sammanfattning med huvudämnen, eventuella beslut och nämnda åtgärdspunkter. Presentera sammanfattningen som en numrerad lista.

Ljudbaserad Q&A från inspelning

Bifoga ett ljudklipp med en muntlig förklaring eller intervju. Svara på följande frågor baserat endast på vad som sägs i inspelningen: Vad är huvudargumentet? Vilka bevis eller exempel ges? Finns några reservationer eller förbehåll som talaren nämner?

Översätt talat ljud till engelska

Bifoga en ljudfil där talaren använder ett annat språk än engelska. Identifiera språket, transkribera originalet och ge en ren engelsk översättning. Notera eventuella fraser som var tvetydiga eller svåra att återge direkt.

Jämför med

Mistral Nemo
Öppen vikt-modell
131,072 tokens kontext · $0.03/M indata, $0.03/M utdata
Ministral 3 3B 2512
Öppen vikt-modell
131,072 tokens kontext · $0.10/M indata, $0.10/M utdata
Ministral 3 14B 2512
Öppen vikt-modell
262,144 tokens kontext · $0.20/M indata, $0.20/M utdata
Mistral Small 3
Öppen vikt-modell
32,768 tokens kontext · $0.05/M indata, $0.08/M utdata

Fler textmodeller från mistralai

Vanliga frågor

Kan Voxtral Small 24B köras lokalt?: Ja, vikterna är öppna och tillgängliga på Hugging Face. Mistral rekommenderar att köra med vLLM, och du behöver cirka 55 GB GPU-RAM i bf16 eller fp16.
Vad kostar Voxtral Small 24B att använda via API?: Text kostar $0,10 per miljon inmatningstoken och $0,30 per miljon utmatningstoken. Ljudinput debiteras separat med $100 per miljon sekunder.
Hur skiljer sig Voxtral Small från Mistral Small 3.1?: Voxtral Small är byggd direkt på Mistral Small 3.1 och behåller all dess textkapacitet, men lägger till ett dedikerat ljudinmatningslager för transkription, översättning, ljud-Q&A och röststyrda funktionsanrop.

Kaptens omdöme
En sällsynt enskild modell som gör seriös transkription och ljudförståelse utan att offra textkvalitet, till ett pris som inte sticker.

Model card på Hugging Face

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Hur denna poäng räknas ihop

Den här modellen har ännu inga popularitetsdata från någon källa, så den har ett tillfälligt nummer under 7,000° som håller listorna kompletta. Den rankas aldrig högre än en modell med data. Uppdelningen visas här så fort en källa rapporterar den.

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Liknande modeller

Qwen3 Coder 480B A35B

TEXT / LLM

Reka Flash 3

TEXT / LLM

AI-modeller för bild-, video- och textgenerering

Voxtral Small 24B 2507 är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm mistralai ljud fler språk lokal budget agenter

Bläddra efter modellfamilj