Introduzione all'audio con Mistral AI
In questa pagina
Corso aggiornato il 3 novembre 2026 per Voxtral 3, basato sulla guida Mistral Migrate from Voxtral 2: i modelli Voxtral 2 (
voxtral-mini-2602,voxtral-mini-transcribe-realtime-2602,voxtral-mini-tts-2603, deprecati il 31 ottobre 2026 e ritirati il 30 aprile 2027) sono sostituiti negli esempi davoxtral-mini-transcribe-3,voxtral-mini-transcribe-realtime-3evoxtral-mini-tts-3-0. Cambiamenti chiave: timestamping solo a livello di segmento (wordrestituisce un errore 400), diarizzazione in tempo reale supportata, impostazioni di sessione in tempo reale bloccate dopo il primo chunk audio e inputcontext_biasin formato libero (frasi con spazi). Fonti: Migrate from Voxtral 2 · Speech to Text.
La famiglia Voxtral: la suite audio di Mistral AI
Mistral AI è andata oltre il testo. Con la famiglia Voxtral, l’azienda francese offre una suite completa di modelli dedicati alla voce: trascrizione, comprensione audio e sintesi vocale (text-to-speech). Questo corso ti insegna a sfruttare queste capacità per trasformare i flussi sonori in testo realmente utilizzabile, completo del codice Python corrispondente.
Il riconoscimento automatico del parlato (ASR), o Speech-to-Text (STT), alimenta strumenti quotidiani che probabilmente utilizzi già. I sottotitoli nei video formativi, i verbali delle riunioni dirigenziali, gli assistenti vocali per il servizio clienti e l’accessibilità digitale sui siti web pubblici si basano tutti sulla stessa tecnologia di base. Mistral AI porta in questo settore un approccio sovrano, ad alte prestazioni e rispettoso della privacy: un aspetto critico quando i tuoi audio contengono nomi di pazienti, dati di clienti o deliberazioni interne.
Due modi per trascrivere
Voxtral supporta due modalità che rispondono a vincoli completamente diversi. La prima è la trascrizione offline, nota anche come elaborazione in batch: invii un file audio completo e ricevi la trascrizione. Questa modalità è ideale per podcast registrati, interviste sul campo caricate successivamente durante la giornata o lezioni archiviate. Voxtral Mini Transcribe 3 e, per una maggiore accuratezza, Voxtral Small Transcribe 3 gestiscono questo scenario, offrendo diarizzazione e timestamping a livello di segmento.
La seconda è la trascrizione in tempo reale, o streaming: l’audio viene trascritto man mano che arriva, con una latenza configurabile tra 80 ms e 1,2 secondi (o 2,4 secondi). Nulla è preregistrato; tutto avviene mentre la persona parla. Questa modalità alimenta i sottotitoli per webinar in diretta, gli assistenti vocali o gli strumenti di dettatura. Il modello Voxtral Mini Transcribe Realtime 3 è costruito proprio per questo. Tieni a mente questa distinzione fin da ora: guiderà la maggior parte delle tue scelte tecniche per il resto del corso.
Lingue supportate
I modelli di trascrizione file di Voxtral 3 coprono 50 lingue, mentre il modello in tempo reale supporta 45 lingue e dialetti, incluso l’italiano. Senza il parametro language, il modello rileva automaticamente la lingua della registrazione; se la conosci, specificala usando il suo codice a due lettere (ad esempio, it).
Cosa fa Voxtral oltre al testo grezzo
La sola trascrizione non è sempre sufficiente. La diarizzazione identifica automaticamente gli interlocutori: in una riunione di cinque persone, il modello distingue chi ha parlato e quando, trasformando un muro di testo in un riassunto leggibile. Il context biasing ti permette di inserire vocabolario specializzato: nomi propri, termini tecnici, acronimi, così che “Kubernetes” o “GDPR” non vengano storpiati durante una riunione tecnica.
Il timestamping a livello di segmento fornisce l’ora di inizio e fine per ogni segmento di trascrizione, consentendo la generazione di sottotitoli sincronizzati; Voxtral 3 non supporta più il timestamping a livello di parola. La robustezza al rumore mantiene l’accuratezza in ambienti acustici difficili: rumore di fondo, riverbero nelle sale riunioni o microfoni dei laptop. Infine, puoi inviare registrazioni come file, tramite URL o da file caricati in precedenza, e ricevere risposte come stream, chunk per chunk.
Conformità e sovranità
La generazione precedente del modello in tempo reale, Voxtral Realtime (voxtral-mini-transcribe-realtime-2602, 4 miliardi di parametri), è rilasciata come open weights sotto licenza Apache 2.0: puoi ospitarla autonomamente senza dipendere da un’API esterna, anche dopo il suo ritiro dall’API il 30 aprile 2027.
Questo è un vantaggio enorme per le aziende europee che affrontano vincoli normativi rigorosi sull’elaborazione dei dati audio: le registrazioni delle riunioni, le chiamate dei clienti o le consultazioni mediche non lasciano mai la tua infrastruttura.
Cosa imparerai
Il corso segue una progressione lineare. Inizierai comprendendo i tre modelli Voxtral e scegliendo quello giusto per il tuo caso d’uso. Successivamente, affronterai la trascrizione offline, coprendo l’API, i suoi parametri, la diarizzazione e il context biasing. Poi passerai alla trascrizione in tempo reale: streaming, cattura dal microfono e controllo della latenza. Concluderai con il deployment in produzione, includendo ottimizzazione, gestione degli errori e controllo dei costi. Ogni lezione include codice Python completo e funzionante che puoi eseguire così com’è.
Punti chiave
- Voxtral è la famiglia di modelli audio di Mistral AI, che copre STT e TTS
- Due modalità di trascrizione: offline (file) e in tempo reale (streaming, latenza configurabile a partire da 80 ms)
- 50 lingue per i file, 45 per il tempo reale, incluso l’italiano
- Funzionalità avanzate: diarizzazione, context biasing, timestamping a livello di segmento, robustezza al rumore
- Deployment sovrano possibile con il modello in tempo reale di seconda generazione, disponibile come open weights sotto licenza Apache 2.0