Modelos Voxtral para Transcrição
Nesta página
Curso atualizado em 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 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 possível em tempo real, definições de sessão em tempo real bloqueadas após o primeiro bloco de áudio e entradas decontext_biasem formato livre (frases com espaços). Fontes: Migrate from Voxtral 2 · Speech to Text.
Quatro modelos, três casos de uso
A Mistral AI oferece vários modelos Voxtral para processamento de fala, cada um otimizado para uma tarefa específica: dois para ficheiros, um para tempo real e um para fazer perguntas sobre áudio. Escolher o modelo certo não é um detalhe de configuração; determina o que poderá fazer a seguir — carimbagem temporal, deteção de turnos de fala, respostas em streaming. Tome esta decisão primeiro, antes de escrever uma única linha de código.
Voxtral Mini Transcribe 3 — transcrição de ficheiros
Este é o modelo padrão para transcrição offline: envia-lhe uma gravação completa e ele devolve o texto transcrito. O seu identificador na API é voxtral-mini-transcribe-3 (um alias para voxtral-mini-transcribe-3-0).
Suporta todas as funcionalidades offline: a diarização identifica os oradores com carimbagem temporal a nível de segmento (a carimbagem temporal a nível de palavra já não existe no Voxtral 3), o viés de contexto injeta vocabulário específico do domínio e as respostas podem ser transmitidas em streaming. Cobre 50 idiomas e custa 0,0035 USD por minuto de áudio, a partir de 3 de novembro de 2026.
Na prática, escolha este modelo sempre que o áudio já existir como ficheiro: gravações de reuniões, podcasts, entrevistas, palestras ou transcrições médicas e jurídicas.
Exemplo de chamada mínima
from mistralai.client import Mistral
client = Mistral(api_key="YOUR_API_KEY")
with open("meeting.mp3", "rb") as f:
response = client.audio.transcriptions.complete(
model="voxtral-mini-transcribe-3",
file={"content": f, "file_name": "meeting.mp3"}
)
print(response.text)
Voxtral Small Transcribe 3 — quando a precisão importa
Maior e mais preciso, o voxtral-small-transcribe-3 funciona da mesma forma. A Mistral recomenda começar com o modelo Mini e mudar para o Small apenas se os erros persistirem apesar do uso de vocabulário personalizado. Custa 0,004 USD por minuto.
Voxtral Mini Transcribe Realtime 3 — transcrição em tempo real
Este modelo foi concebido para transcrição em streaming. O seu identificador na API é voxtral-mini-transcribe-realtime-3.
A sua latência é ajustável entre 80 ms e 1,2 segundos, ou 2,4 segundos (target_streaming_delay_ms): a arquitetura transcreve à medida que o áudio chega, em vez de esperar pelo fim de uma frase. Cobre 45 idiomas e dialetos, deteta o fim dos turnos de fala e agora consegue distinguir oradores — mas não ambos na mesma sessão. Os seus segmentos incluem rótulos de orador, mas sem horas de início ou fim. Custa 0,008 USD por minuto. Utilize-o para legendas em direto, assistentes de voz, ditado ou para transcrever uma conferência à medida que esta acontece.
Exemplo de chamada mínima
from mistralai.client import Mistral
from mistralai.client.models import AudioFormat
client = Mistral(api_key="YOUR_API_KEY")
audio_format = AudioFormat(encoding="pcm_s16le", sample_rate=16000)
async for event in client.audio.realtime.transcribe_stream(
audio_stream=my_audio_stream,
model="voxtral-mini-transcribe-realtime-3",
audio_format=audio_format,
):
print(event.text, end="", flush=True)
A geração anterior, voxtral-mini-transcribe-realtime-2602 (4 mil milhões de parâmetros), permanece disponível como pesos abertos sob a licença Apache 2.0 para autoalojamento nas suas próprias máquinas.
Voxtral Small — chat de áudio multimodal
O terceiro modelo muda de categoria. O Voxtral Small, identificador voxtral-small-latest — ainda um modelo de geração 2 no lançamento do Voxtral 3, segundo a documentação — não é um transcritor puro, mas um modelo conversacional capaz de compreender áudio. Aceita um ficheiro de áudio como entrada numa conversa de chat e responde às suas perguntas sobre o seu conteúdo, combinando a compreensão de áudio com a geração de texto.
Esta diferença reflete-se no código: utiliza o endpoint /chat/completions, e não /audio/transcriptions. Não lhe pedirá «transcreva este ficheiro», mas sim «resuma esta conversa», «que orçamento foi mencionado» ou «o cliente expressou alguma reclamação».
Exemplo de chamada
import base64
from mistralai.client import Mistral
client = Mistral(api_key="YOUR_API_KEY")
with open("audio.mp3", "rb") as f:
audio_base64 = base64.b64encode(f.read()).decode("utf-8")
response = client.chat.complete(
model="voxtral-small-latest",
messages=[{
"role": "user",
"content": [
{"type": "input_audio", "input_audio": audio_base64},
{"type": "text", "text": "Summarize this conversation in 3 key points."}
]
}]
)
print(response.choices[0].message.content)
Escolha num minuto
Perante um novo projeto, questione-se sobre a necessidade dominante em vez das funcionalidades disponíveis. A tabela abaixo resume os cenários mais comuns.
| A sua necessidade | Modelo recomendado |
|---|---|
| Um ficheiro de áudio gravado, saída de texto | Voxtral Mini Transcribe 3 |
| O mesmo que acima, com erros persistentes apesar do vocabulário personalizado | Voxtral Small Transcribe 3 |
| Identificar oradores com carimbo de tempo para cada segmento | Voxtral Mini ou Small Transcribe 3 (offline) |
| Transcrever em direto (microfone, fluxo de áudio) | Voxtral Mini Transcribe Realtime 3 |
| Fazer perguntas sobre áudio | Voxtral Small (chat) |
| Autoalojar o modelo | Voxtral Realtime Geração 2, pesos abertos |
Um erro comum é escolher o modelo em tempo real porque parece mais moderno, para descobrir tarde no projeto que o relatório esperado exige datar cada intervenção: em tempo real, os segmentos incluem o orador, mas não a hora. Se o seu entregável tiver de indicar «quem disse o quê e quando», o modo offline continua a ser a escolha certa.
Pontos-chave
- Voxtral Mini Transcribe 3: transcrição de ficheiros com diarização, viés de contexto e carimbagem temporal a nível de segmento
- Voxtral Small Transcribe 3: mesmas capacidades, maior precisão quando o vocabulário personalizado não é suficiente
- Voxtral Mini Transcribe Realtime 3: streaming com latência ajustável a partir de 80 ms, deteção de turnos, diarização sem carimbagem temporal
- Voxtral Small: chat de áudio para compreender e analisar o conteúdo de gravações
- 50 idiomas para ficheiros, 45 para tempo real, incluindo francês