Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Offline vs. Tempo Real: Um Guia de Seleção

Aula 14 de 16 Atualizada a 3 de novembro de 2026 Programador
Nesta página
  1. Dois Modos, Duas Filosofias
  2. Comparação Completa
  3. Como Escolher
  4. O Custo de Cada Modo
  5. Um Pipeline Híbrido: Do Direto ao Relatório
  6. Pontos-chave

Curso atualizado a 3 de novembro de 2026 para o Voxtral 3, com base no guia Migrate from Voxtral 2 da Mistral: os modelos Voxtral 2 (voxtral-mini-2602, voxtral-mini-transcribe-realtime-2602, voxtral-mini-tts-2603), descontinuados a 31 de outubro de 2026 e retirados a 30 de abril de 2027, são substituídos nos exemplos por voxtral-mini-transcribe-3, voxtral-mini-transcribe-realtime-3 e voxtral-mini-tts-3-0. Alterações principais: as marcas temporais são apenas por segmento (word devolve um erro 400), a diarização é possível em tempo real, as definições da sessão em tempo real ficam fixas após o primeiro bloco de áudio e as entradas de context_bias são de formato livre (frases com espaços permitidas). Fontes: Migrate from Voxtral 2 · Speech to Text.

Dois Modos, Duas Filosofias

O Voxtral oferece duas abordagens de transcrição que diferem não na qualidade, mas na natureza. Escolher entre elas não é um detalhe de implementação que ajusta no final de um projeto. Esta escolha determina as funcionalidades à sua disposição, a forma como escreve o seu código, os custos que incorre e a experiência de utilizador que entrega. Esta lição fornece-lhe os factos para fazer essa escolha, mantê-la e até combinar ambos os modos quando fizer sentido.

Comparação Completa

CritérioOffline (Lote)Tempo Real (Streaming)
ModeloVoxtral Mini (ou Small) Transcribe 3Voxtral Mini Transcribe Realtime 3
LatênciaSegundos a minutos (dependendo da duração)Atraso configurável de 80 ms a 1,2 s, ou 2,4 s
Limite de ÁudioJanela de contexto, partilhada com context_biasSessão contínua
DiarizaçãoSim, com marcas temporais por segmentoSim, sem marcas temporais; não disponível com deteção de fim de turno
Contexto Viés (Biasing)Sim (lista de termos, frases permitidas)Sim, na configuração da sessão
Marcas TemporaisPor segmento (sem nível de palavra)Não
Deteção de Fim de TurnoNãoSim
Formato de ÁudioFormatos de ficheiro comunsPCM mono de 16 bits (padrão 16 kHz)
Idiomas5045 idiomas e dialetos
Preço a partir de 3 de novembro de 20260,0035 $/min (Mini), 0,004 $/min (Small)0,008 $/min
ProgramaçãoSíncrona (simples)Assíncrona (async/await)
Caso de Uso PrincipalFicheiros gravadosÁudio em direto

Uma análise atenta desta tabela revela o que realmente separa os dois modos. O modo Offline é o único que atribui marcas temporais a cada segmento, pois analisa todo o áudio antes de responder. O modo Tempo Real é o único que deteta o fim dos turnos de fala e devolve texto enquanto alguém está a falar. Não está a escolher entre uma versão completa e uma versão ligeira. Está a escolher entre duas formas de servir o utilizador: após o facto, ou no momento.

Como Escolher

O modo Offline é a escolha óbvia sempre que estiver a processar ficheiros de áudio que já existem — reuniões arquivadas, podcasts, entrevistas — uma vez que o áudio está completo e não há vantagem em dividi-lo artificialmente. É a sua única opção se precisar de identificar oradores, pois a diarização permanece fora do alcance do streaming. É também a escolha certa se o seu domínio exigir vocabulário especializado que o viés de contexto deve orientar, ou se precisar de marcas temporais precisas para a legendagem de vídeo em pós-produção. Por fim, poupa-o de qualquer conversão prévia quando as suas fontes chegam em vários formatos, e torna-se a escolha óbvia quando a latência não é crítica: processamento diferido, lotes noturnos, pipelines de arquivo.

O modo Tempo Real torna-se necessário quando o áudio chega continuamente, a partir de um microfone ou fluxo de rede, o que significa que não há nenhum ficheiro para enviar. É obrigatório quando os resultados devem estar disponíveis em menos de um segundo, como num assistente de voz, ferramenta de ditado ou legendagem em direto para uma conferência ou webinar. Duas outras razões estratégicas podem impulsionar a escolha independentemente da latência: implementação no local (on-premise) ou na borda (edge), tornada possível pelos pesos abertos, e requisitos de soberania quando nenhum dado pode sair da sua infraestrutura.

Existe um terceiro caminho, muitas vezes o melhor: combinar ambos. Legenda uma conferência em tempo real e depois reprocessa a gravação offline para produzir legendas limpas e com marcas temporais. Exibe a transcrição em direto durante uma reunião e, em seguida, executa uma passagem offline com diarização para atribuir cada enunciado ao seu orador. Dita em tempo real e depois reprocessa o ficheiro offline para revisão e correções. O tempo real serve o momento; o offline serve o documento.

O Custo de Cada Modo

Os dois modos não partilham a mesma estrutura de preços. A partir de abril de 2026, os preços da Mistral AI baseiam-se na duração do áudio processado. O modo Offline é geralmente mais barato por minuto porque o processamento em lote é otimizado, enquanto o tempo real inclui um prémio pela ligação WebSocket persistente e pelo processamento contínuo.

Três hábitos reduzem custos sem sacrificar nada. No modo offline, agrupe os seus ficheiros para limitar o número de pedidos à API. No modo tempo real, feche a ligação assim que a fala terminar, em vez de a deixar aberta “caso seja necessário”: uma sessão esquecida consome recursos sem produzir resultados. Mais importante ainda, pergunte sempre se o processamento em direto é realmente necessário — se o tempo real não acrescenta valor para o utilizador, o offline é simultaneamente mais barato e mais rico em funcionalidades.

Um Pipeline Híbrido: Do Direto ao Relatório

O código abaixo mostra o padrão híbrido na sua forma mais comum: uma reunião. Durante a sessão, o fluxo em tempo real alimenta o ecrã: os participantes veem o texto a surgir, ninguém espera. Assim que a reunião termina, o mesmo áudio, agora disponível como um ficheiro completo, é reprocessado offline com diarize=True e marcas temporais ao nível do segmento, produzindo um relatório que atribui cada enunciado ao seu orador. As duas chamadas não competem; complementam-se. A primeira serve a imediatez; a segunda, a rastreabilidade.

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. Transcrição em tempo real para exibição imediata
    2. Transcrição offline para relatório final com diarização
    """
    client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

    # Fase 1: Tempo Real (durante a reunião)
    print("=== TRANSCRIÇÃO EM DIRETO ===\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 (após a reunião)
    print("\n\n=== ANÁLISE DETALHADA ===\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

Note a restrição prática que este padrão impõe: deve gravar o áudio em paralelo com o streaming, uma vez que os blocos consumidos pelo fluxo em tempo real não são retidos. Planeie esta escrita em disco desde o início, ou a fase offline não terá nada para processar.

Pontos-chave

  • O modo Offline destaca-se para ficheiros gravados com diarização e marcas temporais
  • O modo Tempo Real destaca-se para áudio em direto com latência ultrabaixa
  • Ambos os modos podem ser combinados num pipeline híbrido
  • O modo Offline é mais rico em funcionalidades (diarização, viés de contexto, marcas temporais)
  • O modo Tempo Real é mais flexível para implementação (pesos abertos, borda)
  • Escolha com base na fonte de áudio (ficheiro vs. direto) e nas funcionalidades necessárias