Introdução às Capacidades de Áudio da Mistral
Nesta página
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.
| Funcionalidade | Modelo | Idiomas | Latência |
|---|---|---|---|
| Transcrição (STT em lote) | Voxtral Mini Transcribe V2 | 13 idiomas | Alguns segundos por ficheiro |
| Transcrição em tempo real (STT) | Voxtral Realtime | 13 idiomas | Menos de 200 ms |
| Texto para Fala (TTS) | Voxtral TTS | Mais 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