Introdução ao Áudio na Mistral AI
Nesta página
Curso atualizado em 3 de novembro de 2026 para o Voxtral 3, com base no guia da Mistral Migrate from Voxtral 2: os modelos Voxtral 2 (
voxtral-mini-2602,voxtral-mini-transcribe-realtime-2602,voxtral-mini-tts-2603), descontinuados em 31 de outubro de 2026 e retirados em 30 de abril de 2027, são substituídos nos exemplos porvoxtral-mini-transcribe-3,voxtral-mini-transcribe-realtime-3evoxtral-mini-tts-3-0. Principais alterações: carimbos de tempo apenas por segmento (worddevolve um erro 400), diarização em tempo real suportada, definições de sessão em tempo real bloqueadas após o primeiro bloco de áudio e entradas decontext_biasde forma livre (frases com espaços). Fontes: Migrate from Voxtral 2 · Speech to Text.
A Família Voxtral: O Pacote de Áudio da Mistral AI
A Mistral AI ultrapassou as barreiras do texto. Com a família Voxtral, a empresa francesa oferece um pacote completo de modelos dedicados à fala: transcrição, compreensão de áudio e síntese de voz (text-to-speech). Este curso ensina-o a aproveitar estas capacidades para transformar fluxos de som em texto verdadeiramente utilizável, incluindo o código Python necessário.
O reconhecimento automático de fala (ASR), ou Speech-to-Text (STT), sustenta ferramentas do quotidiano que provavelmente já utiliza. Legendas em vídeos de formação, atas de reuniões executivas, assistentes de voz para atendimento ao cliente e acessibilidade digital em sítios públicos dependem todos da mesma tecnologia central. A Mistral AI traz uma abordagem soberana, de alto desempenho e respeitadora da privacidade para este espaço — algo crítico quando o seu áudio contém nomes de pacientes, dados de clientes ou deliberações internas.
Duas Formas de Transcrever
O Voxtral suporta dois modos que respondem a restrições completamente diferentes. O primeiro é a transcrição offline, também conhecida como processamento em lote: envia um ficheiro de áudio completo e recebe a transcrição. Este modo adequa-se a podcasts gravados, entrevistas de campo carregadas posteriormente no dia ou aulas arquivadas. O Voxtral Mini Transcribe 3 e, para maior precisão, o Voxtral Small Transcribe 3 tratam desta tarefa, oferecendo diarização e carimbos de tempo ao nível do segmento.
O segundo é a transcrição em tempo real, ou streaming: o áudio é transcrito à medida que chega, com uma latência configurável entre 80 ms e 1,2 segundos (ou 2,4 segundos). Nada é pré-gravado; tudo acontece enquanto a pessoa fala. Este modo sustenta legendas em webinars ao vivo, assistentes de voz ou ferramentas de ditado. O modelo Voxtral Mini Transcribe Realtime 3 foi construído para isto. Tenha esta distinção em mente desde já: ela orienta a maioria das suas escolhas técnicas ao longo do restante curso.
Idiomas Suportados
Os modelos de transcrição de ficheiros Voxtral 3 cobrem 50 idiomas, enquanto o modelo em tempo real suporta 45 idiomas e dialetos, incluindo o português. Sem o parâmetro language, o modelo deteta automaticamente o idioma da gravação; se o conhecer, especifique-o utilizando o seu código de duas letras (ex.: pt).
O Que o Voxtral Faz Além do Texto Bruto
A transcrição por si só nem sempre é suficiente. A diarização identifica automaticamente os intervenientes: numa reunião de cinco pessoas, o modelo distingue quem falou e quando, transformando um muro de texto num resumo legível. O viés de contexto (context biasing) permite injetar vocabulário especializado — nomes próprios, termos técnicos, acrónimos — para que “Kubernetes” ou “RGPD” não sejam deturpados numa reunião de engenharia.
Os carimbos de tempo ao nível do segmento fornecem a hora de início e fim de cada segmento de transcrição, permitindo a geração de legendas sincronizadas; o Voxtral 3 já não suporta carimbos de tempo ao nível da palavra. A robustez ao ruído mantém a precisão em ambientes acústicos desafiadores: ruído de fundo, reverberação em salas de reuniões ou microfones de portátil. Por fim, pode submeter gravações como ficheiros, via URL ou a partir de ficheiros previamente carregados, e receber respostas como um fluxo, bloco a bloco.
Conformidade e Soberania
A geração anterior do modelo em tempo real, Voxtral Realtime (voxtral-mini-transcribe-realtime-2602, 4 mil milhões de parâmetros), foi lançida com pesos abertos (open weights) sob a licença Apache 2.0: pode autoalojá-lo sem depender de uma API externa, mesmo após a sua retirada da API em 30 de abril de 2027.
Esta é uma vantagem majeure para as empresas europeias que enfrentam restrições regulamentares rigorosas no processamento de dados de áudio: gravações de reuniões, chamadas de clientes ou consultas médicas nunca saem da sua infraestrutura.
O Que Vai Aprender
O curso segue uma progressão direta. Começará por compreender os três modelos Voxtral e escolher o adequado ao seu caso de uso. De seguida, abordará a transcrição offline, cobrindo a API, os seus parâmetros, a diarização e o viés de contexto. Em seguida, passará à transcrição em tempo real: streaming, captura de microfone e controlo de latência. Terminará com a implementação em produção, incluindo otimização, gestão de erros e controlo de custos. Cada lição inclui código Python completo e funcional que pode executar tal como está.
Pontos-chave
- O Voxtral é a família de modelos de áudio da Mistral AI, cobrindo STT e TTS
- Dois modos de transcrição: offline (ficheiros) e em tempo real (streaming, latência configurável a partir de 80 ms)
- 50 idiomas para ficheiros, 45 para tempo real, incluindo o português
- Funcionalidades avançadas: diarização, viés de contexto, carimbos de tempo ao nível do segmento, robustez ao ruído
- Implementação soberana possível com o modelo em tempo real de segunda geração, disponível como pesos abertos sob licença Apache 2.0