Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Offline vs Realtime: una guida alla scelta

Lezione 14 di 16 Aggiornata il 3 novembre 2026 Sviluppatore
In questa pagina
  1. Due modalità, due filosofie
  2. Confronto completo
  3. Come scegliere
  4. Quanto costa ciascuna modalità
  5. Una pipeline ibrida: dal live al report
  6. Punti chiave

Corso aggiornato il 3 novembre 2026 per Voxtral 3, basato sulla guida Migrate from Voxtral 2 di Mistral: 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 da voxtral-mini-transcribe-3, voxtral-mini-transcribe-realtime-3 e voxtral-mini-tts-3-0. Cambiamenti chiave: i timestamp sono solo a livello di segmento (word restituisce un errore 400), la diarizzazione è possibile in realtime, le impostazioni della sessione realtime sono fisse dopo il primo chunk audio e gli input context_bias sono in formato libero (frasi con spazi consentite). Fonti: Migrate from Voxtral 2 · Speech to Text.

Due modalità, due filosofie

Voxtral offre due approcci alla trascrizione che differiscono non per qualità, ma per natura. Scegliere tra loro non è un dettaglio implementativo da aggiustare alla fine di un progetto. Questa scelta determina le funzionalità a tua disposizione, il modo in cui scrivi il codice, i costi che sostieni e l’esperienza utente che offri. Questa lezione ti fornisce i fatti necessari per fare quella scelta, mantenerla e persino combinare entrambe le modalità quando ha senso.

Confronto completo

CriterioOffline (Batch)Realtime (Streaming)
ModelloVoxtral Mini (o Small) Transcribe 3Voxtral Mini Transcribe Realtime 3
LatenzaDa secondi a minuti (a seconda della durata)Ritardo configurabile da 80 ms a 1,2 s, oppure 2,4 s
Limite audioFinestra di contesto, condivisa con context_biasSessione continua
DiarizzazioneSì, con timestamp a segmentoSì, senza timestamp; non disponibile con il rilevamento della fine del turno
Context BiasingSì (elenco termini, frasi consentite)Sì, nella configurazione della sessione
TimestampPer segmento (nessuno a livello di parola)No
Rilevamento fine turnoNoSì
Formato audioFormati file comuniPCM mono a 16 bit (default 16 kHz)
Lingue5045 lingue e dialetti
Prezzo al 3 novembre 20260,0035 $/min (Mini), 0,004 $/min (Small)0,008 $/min
ProgrammazioneSincrona (semplice)Asincrona (async/await)
Caso d’uso principaleFile registratiAudio dal vivo

Un’analisi attenta di questa tabella rivela ciò che separa davvero le due modalità. Offline è l’unica modalità che assegna un timestamp a ogni segmento perché vede l’intero audio prima di rispondere. Realtime è l’unica modalità che rileva la fine dei turni e restituisce il testo mentre qualcuno sta parlando. Non stai scegliendo tra una versione completa e una versione lite. Stai scegliendo tra due modi per servire l’utente: dopo i fatti, o nel momento presente.

Come scegliere

Offline è la scelta ovvia ogni volta che elabori file audio già esistenti: riunioni archiviate, podcast, interviste. Dato che l’audio è completo, non c’è alcun vantaggio nel frammentarlo artificialmente. È la tua unica opzione se devi identificare gli speaker, poiché la diarizzazione rimane preclusa allo streaming. È anche la scelta giusta se il tuo dominio richiede un vocabolario specializzato che il context biasing deve guidare, o se hai bisogno di timestamp precisi per la sottotitolazione video in post-produzione. Infine, ti risparmia qualsiasi conversione preliminare quando le tue fonti arrivano in vari formati e diventa la scelta obbligata quando la latenza non è critica: elaborazione differita, batch notturni, pipeline di archiviazione.

Realtime diventa necessario quando l’audio arriva in modo continuo, da un microfono o un flusso di rete, il che significa che non esiste un file da inviare. È obbligatorio quando i risultati devono essere disponibili in meno di un secondo, come nel caso di un assistente vocale, uno strumento di dettatura o la sottotitolazione live per una conferenza o un webinar. Due altre ragioni strategiche possono guidare la scelta indipendentemente dalla latenza: il deployment on-premise o edge, reso possibile dai pesi aperti, e i requisiti di sovranità quando nessun dato può lasciare la tua infrastruttura.

Esiste una terza via, spesso la migliore: combinare entrambi. Sottotitoli una conferenza in realtime, poi rielabori la registrazione offline per produrre sottotitoli puliti e con timestamp. Visualizzi la trascrizione live durante una riunione, poi esegui un passaggio offline con diarizzazione per attribuire ogni enunciato al suo speaker. Detti in realtime, poi rielabori il file offline per revisione e correzioni. Realtime serve il momento; offline serve il documento.

Quanto costa ciascuna modalità

Le due modalità non condividono la stessa struttura di prezzo. Ad aprile 2026, i prezzi di Mistral AI si basano sulla durata dell’audio elaborato. Offline è generalmente più economico al minuto perché l’elaborazione batch è ottimizzata, mentre realtime comporta un sovrapprezzo per la connessione WebSocket persistente e l’elaborazione continua.

Tre abitudini riducono i costi senza sacrificare nulla. In modalità offline, raggruppa i tuoi file per limitare il numero di richieste API. In modalità realtime, chiudi la connessione non appena il discorso si interrompe invece di lasciarla aperta “nel caso”: una sessione dimenticata consuma risorse senza produrre output. Soprattutto, chiediti sempre se l’elaborazione live sia davvero necessaria: se realtime non aggiunge valore per l’utente, offline è sia più economico che più ricco di funzionalità.

Una pipeline ibrida: dal live al report

Il codice seguente mostra il pattern ibrido nella sua forma più comune: una riunione. Durante la sessione, il flusso realtime alimenta il display: i partecipanti vedono scorrere il testo, nessuno aspetta. Una volta terminata la riunione, lo stesso audio, ora disponibile come file completo, viene rielaborato offline con diarize=True e timestamp a livello di segmento, producendo un report che attribuisce ogni enunciato al suo speaker. Le due chiamate non competono; si completano a vicenda. La prima serve l’immediatezza; la seconda, la tracciabilità.

import asyncio
import os
from mistralai.client import Mistral
from mistralai.client.models import (
    AudioFormat,
    TranscriptionStreamTextDelta,
    TranscriptionStreamDone
)

async def hybrid_pipeline(realtime_audio_source, complete_file_path):
    """
    1. Trascrizione Realtime per visualizzazione immediata
    2. Trascrizione Offline per report finale con diarizzazione
    """
    client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

    # Fase 1: Realtime (durante la riunione)
    print("=== TRASCRIZIONE LIVE ===\n")
    audio_format = AudioFormat(encoding="pcm_s16le", sample_rate=16000)

    async for event in client.audio.realtime.transcribe_stream(
        audio_stream=realtime_audio_source,
        model="voxtral-mini-transcribe-realtime-3",
        audio_format=audio_format,
        target_streaming_delay_ms=800,
    ):
        if isinstance(event, TranscriptionStreamTextDelta):
            print(event.text, end="", flush=True)
        elif isinstance(event, TranscriptionStreamDone):
            break

    # Fase 2: Offline (dopo la riunione)
    print("\n\n=== ANALISI DETTAGLIATA ===\n")

    with open(complete_file_path, "rb") as f:
        response = client.audio.transcriptions.complete(
            model="voxtral-mini-transcribe-3",
            file={"content": f, "file_name": complete_file_path},
            diarize=True,
            timestamp_granularities=["segment"]
        )

    for seg in response.segments:
        print(f"[{seg.speaker_id}] ({seg.start:.1f}s) {seg.text}")

    return response

Nota il vincolo pratico che questo pattern impone: devi registrare l’audio in parallelo allo streaming, poiché i chunk consumati dal flusso realtime non vengono conservati. Pianifica questa scrittura su disco fin dall’inizio, altrimenti la fase offline non avrà nulla da elaborare.

Punti chiave

  • Offline eccelle per file registrati con diarizzazione e timestamp
  • Realtime eccelle per audio live con latenza ultra-bassa
  • Entrambe le modalità possono essere combinate in una pipeline ibrida
  • Offline è più ricco di funzionalità (diarizzazione, context biasing, timestamp)
  • Realtime è più flessibile per il deployment (pesi aperti, edge)
  • Scegli in base alla fonte audio (file vs live) e alle funzionalità richieste