Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Introdução às Capacidades de Áudio da Mistral

Aula 5 de 14 Atualizada a 2 de novembro de 2026 Iniciante
Nesta página
  1. Quando a IA Aprende a Ouvir e a Falar
  2. A Família Voxtral
  3. Speech-to-Text: Da Voz ao Texto
  4. Text-to-Speech: Do Texto à Voz
  5. Para Que Serve o Áudio no Vibe?
  6. Pontos-chave

Atualização de 2 de novembro de 2026 — O Le Chat é agora o Vibe. Desde 28 de maio de 2026, o Le Chat foi rebatizado como Vibe (ainda em chat.mistral.ai): um único agente para trabalho e código, que mantém as suas conversas, definições e subscrições. A experiência legada do Le Chat permanece acessível no modo Chat; no modo Work, os agentes tornaram-se competências (invocadas com @), as memórias são agora a base de conhecimento e a pesquisa aprofundada é a competência Deep Research. Os planos chamam-se agora Mistral Free, Pro, Team e Enterprise. Esta lição utiliza o nome Vibe; note que alguns menus aqui descritos podem ter alterado o nome ou a localização.

Quando a IA Aprende a Ouvir e a Falar

Depois da visão, o áudio representa a segunda grande revolução multimodal da Mistral AI. Com a família de modelos Voxtral, o Vibe já não se limita a ler e escrever texto — agora consegue transcrever fala, participar em conversas por voz e gerar fala a partir de texto. Em suma, o ciclo está completo: a IA ouve-o, compreende-o e responde-lhe em voz alta. Esta lição apresenta todas estas capacidades antes de as lições seguintes as detalharem uma a uma.

A Família Voxtral

A Mistral desenvolveu um conjunto abrangente de modelos de áudio sob a marca Voxtral, onde cada um cumpre um papel específico no fluxo de trabalho de áudio. O Voxtral Mini Transcribe é o modelo de transcrição em lote (Speech-to-Text): fornece-lhe um ficheiro de áudio e ele devolve texto escrito com notável precisão — é este o modelo em ação quando carrega a gravação de uma reunião. O Voxtral Realtime é a sua contraparte em tempo real: concebido para conversas por voz, transcreve a fala à medida que esta ocorre com uma latência ultrabaixa, configurável para menos de 200 milissegundos — é isto que torna possível o modo de voz fluido do Vibe. Por fim, o Voxtral TTS faz o caminho inverso: a síntese de texto para fala transforma texto numa voz natural, com a capacidade de clonar uma voz a partir de apenas alguns segundos de gravação.

FuncionalidadeModeloIdiomasLatência
Transcrição (STT em lote)Voxtral Mini Transcribe V213 idiomasAlguns segundos por ficheiro
Transcrição em tempo real (STT)Voxtral Realtime13 idiomasMenos de 200 ms
Texto para Fala (TTS)Voxtral TTSMais de 9 idiomas~90 ms (modelo)

Speech-to-Text: Da Voz ao Texto

A transcrição de áudio é a capacidade de converter uma gravação de voz em texto escrito, e o Voxtral Mini Transcribe destaca-se em várias frentes. Em primeiro lugar, a sua precisão: a taxa de erro de palavras mantém-se baixa, mesmo em gravações de qualidade média — o tipo de ficheiro captado por um telemóvel no meio de uma mesa de conferências. Realiza também diarização, o que significa que identifica automaticamente diferentes intervenientes numa conversa: a transcrição distingue «Interveniente 1» e «Interveniente 2», o que muda tudo para as atas de reuniões. A sua robustez ao ruído permite-lhe manter uma boa precisão em ambientes difíceis — cafés, ruas, reuniões com múltiplas vozes. Por fim, lida com gravações longas, até 3 horas de áudio num único pedido, o suficiente para cobrir uma conferência inteira.

No plano dos idiomas, são suportados 13: inglês, francês, espanhol, alemão, italiano, português, neerlandês, chinês, hindi, árabe, russo, japonês e coreano. Para os casos de uso europeus mais comuns, está bem coberto.

Text-to-Speech: Do Texto à Voz

O texto para fala funciona na direção oposta: fornece texto e o Voxtral TTS lê-o em voz alta com uma voz natural. A sua funcionalidade mais espetacular é a clonagem de voz: a partir de apenas 2 a 3 segundos da sua gravação de voz, o modelo consegue gerar fala que soa como a sua. Esta clonagem baseia-se no princípio da voz como instrução: o modelo reproduz a entoação, o ritmo e a emoção da amostra de voz de referência sem necessidade de anotar o texto com etiquetas de prosódia — a própria amostra serve de instrução.

O modelo é multilingue — inglês, francês, espanhol, português, italiano, neerlandês, alemão, hindi, árabe — e pode até misturar idiomas numa única passagem. Por fim, opera em modo de streaming: a geração de voz começa em cerca de 90 milissegundos, permitindo interações quase instantâneas em vez de uma espera entre a sua pergunta e a resposta falada.

Para Que Serve o Áudio no Vibe?

Concretamente, enquanto utilizador do Vibe, estas capacidades traduzem-se em quatro ações do dia a dia. Pode transcrever uma reunião: carregue a gravação e obtenha um resumo em texto em segundos. Pode falar por voz ativando o modo de voz, para uma conversa natural sem teclado. Pode ouvir as respostas pedindo ao Vibe que leia o seu texto em voz alta — útil enquanto caminha ou cozinha. E pode ditar as suas mensagens, falando em vez de escrever.

Nas lições seguintes, detalharemos cada um destes usos passo a passo: primeiro a transcrição de ficheiros, depois o modo de voz em tempo real e, por fim, a síntese de texto para fala.

Pontos-chave

  • O Voxtral é a família de modelos de áudio da Mistral, cobrindo transcrição, processamento em tempo real e texto para fala
  • A transcrição suporta 13 idiomas, diarização e até 3 horas de áudio
  • O texto para fala pode clonar uma voz em segundos e falar em mais de 9 idiomas
  • No Vibe, tudo está integrado: pode transcrever, falar e ouvir sem ferramentas externas