Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Introduzione alle capacità audio di Mistral

Lezione 5 di 14 Aggiornata il 2 novembre 2026 Principiante
In questa pagina
  1. Quando l’IA impara ad ascoltare e parlare
  2. La famiglia Voxtral
  3. Speech-to-Text: dalla voce al testo
  4. Text-to-Speech: dal testo alla voce
  5. A cosa serve l’audio in Vibe?
  6. Punti chiave

Aggiornamento del 2 novembre 2026 — Le Chat è ora Vibe. Dal 28 maggio 2026, Le Chat è stato rinominato Vibe (sempre all’indirizzo chat.mistral.ai): un unico agente per lavoro e codice, che mantiene le tue conversazioni, impostazioni e abbonamenti. L’esperienza legacy di Le Chat rimane accessibile nella modalità Chat; nella modalità Work, gli agenti sono diventati competenze (invocabili con @), le memorie sono ora la base di conoscenza e la ricerca approfondita è la competenza Deep Research. I piani si chiamano ora Mistral Free, Pro, Team ed Enterprise. Questa lezione utilizza il nome Vibe; tieni presente che alcuni menu qui descritti potrebbero aver cambiato nome o posizione.

Quando l’IA impara ad ascoltare e parlare

Dopo la visione, l’audio rappresenta la seconda grande rivoluzione multimodale di Mistral AI. Con la famiglia di modelli Voxtral, Vibe non si limita più a leggere e scrivere testo: ora può trascrivere la voce, partecipare a conversazioni vocali e generare parlato partendo dal testo. In breve, il ciclo è completo: l’IA ti ascolta, ti comprende e ti risponde a voce alta. Questa lezione introduce tutte queste capacità, prima che le lezioni successive le dettagliino una per una.

La famiglia Voxtral

Mistral ha sviluppato una suite completa di modelli audio sotto il marchio Voxtral, ognuno dei quali svolge un ruolo specifico nella pipeline audio. Voxtral Mini Transcribe è il modello di trascrizione in batch (Speech-to-Text): gli fornisci un file audio e restituisce testo scritto con straordinaria precisione: è questo il modello all’opera quando carichi la registrazione di una riunione. Voxtral Realtime è la sua controparte in tempo reale: progettato per conversazioni vocali, trascrive il parlato mentre avviene con una latenza ultra-bassa, configurabile sotto i 200 millisecondi: è ciò che rende possibile la modalità vocale fluida di Vibe. Infine, Voxtral TTS percorre la strada inversa: la sintesi text-to-speech trasforma il testo in voce naturale, con la capacità di clonare una voce partendo da pochi secondi di registrazione.

FunzionalitàModelloLingueLatenza
Trascrizione (STT batch)Voxtral Mini Transcribe V213 linguePochi secondi per file
Trascrizione in tempo reale (STT)Voxtral Realtime13 lingueSotto i 200 ms
Text-to-Speech (TTS)Voxtral TTS9+ lingue~90 ms (modello)

Speech-to-Text: dalla voce al testo

La trascrizione audio è la capacità di convertire una registrazione vocale in testo scritto, e Voxtral Mini Transcribe si distingue su diversi fronti. Innanzitutto, la sua precisione: il tasso di errore sulle parole rimane basso, anche su registrazioni di qualità media, come quelle catturate da un telefono posizionato al centro di un tavolo da conferenza. Esegue anche la diarizzazione, ovvero identifica automaticamente i diversi interlocutori in una conversazione: la trascrizione distingue “Oratore 1” e “Oratore 2”, il che cambia tutto per i verbali delle riunioni. La sua robustezza al rumore gli permette di mantenere una buona accuratezza in ambienti difficili: caffè, strade, riunioni con più voci. Infine, gestisce registrazioni lunghe, fino a 3 ore di audio in una singola richiesta, sufficienti a coprire un’intera conferenza.

Sul fronte linguistico, sono supportate 13 lingue: inglese, francese, spagnolo, tedesco, italiano, portoghese, olandese, cinese, hindi, arabo, russo, giapponese e coreano. Per i casi d’uso europei più comuni, sei ben coperto.

Text-to-Speech: dal testo alla voce

Il text-to-speech funziona nella direzione opposta: fornisci del testo e Voxtral TTS lo legge ad alta voce con una voce naturale. La sua caratteristica più spettacolare è il cloning vocale: partendo da soli 2 o 3 secondi della tua registrazione vocale, il modello può generare un parlato che suona come il tuo. Questo cloning si basa sul principio della voce come istruzione: il modello riproduce l’intonazione, il ritmo e l’emozione del campione vocale di riferimento senza bisogno di annotare il testo con tag di prosodia: il campione stesso funge da istruzione.

Il modello è multilingue — inglese, francese, spagnolo, portoghese, italiano, olandese, tedesco, hindi, arabo — e può persino mescolare le lingue all’interno di un unico passaggio. Infine, opera in modalità streaming: la generazione vocale inizia in circa 90 millisecondi, consentendo interazioni quasi istantanee invece di un’attesa tra la tua domanda e la risposta parlata.

A cosa serve l’audio in Vibe?

Concretamente, come utente di Vibe, queste capacità si traducono in quattro azioni quotidiane. Puoi trascrivere una riunione: carichi la registrazione e ottieni un riassunto testuale in pochi secondi. Puoi parlare a voce attivando la modalità vocale, per una conversazione naturale senza tastiera. Puoi ascoltare le risposte chiedendo a Vibe di leggere ad alta voce il suo testo: comodo mentre cammini o cucini. E puoi dettare i tuoi messaggi, parlando invece di digitare.

Nelle prossime lezioni, dettaglieremo ciascuno di questi usi passo dopo passo: prima la trascrizione di file, poi la modalità vocale in tempo reale e infine la sintesi text-to-speech.

Punti chiave

  • Voxtral è la famiglia di modelli audio di Mistral, che copre trascrizione, elaborazione in tempo reale e text-to-speech
  • La trascrizione supporta 13 lingue, la diarizzazione e fino a 3 ore di audio
  • Il text-to-speech può clonare una voce in pochi secondi e parlare in 9+ lingue
  • In Vibe, tutto è integrato: puoi trascrivere, parlare e ascoltare senza strumenti esterni