Formatos de Áudio
Nesta página
Curso atualizado a 3 de novembro de 2026 para o Voxtral TTS 3, com base no guia Migrate from Voxtral 2 e nas páginas Text to Speech da Mistral:
voxtral-mini-tts-2603, descontinuado a 31 de outubro de 2026 e removido a 30 de abril de 2027, é substituído nos exemplos porvoxtral-mini-tts-3-0. As vozes predefinidas do Voxtral 2 (gb_jane_neutral…) continuam a ser aceites; o Voxtral 3 adiciona as etiquetas[emotion=…]e[pace=…]no texto, a definiçãoexpressiveness, a pronúncia personalizada (phoneme_hints) e suporte para 35 idiomas. A Mistral recomenda voltar a medir a latência após a migração. Fontes: Migrate from Voxtral 2 · Speech generation.
Escolher o Formato de Saída Correto
O parâmetro response_format aceita cinco valores. Esta escolha, aparentemente simples, é muito mais importante do que parece: determina a qualidade do áudio, o tamanho dos ficheiros que armazena, a latência que os seus utilizadores percebem e a compatibilidade com os seus leitores. Um podcast entregue em PCM será irreproduzível para metade do seu público; um agente de voz em MP3 terá um atraso de dois segundos em cada resposta. A tabela abaixo oferece uma visão geral, e o restante desta lição explica quando utilizar cada formato.
| Formato | Compressão | Qualidade | Latência de Streaming | Caso de Uso Principal |
|---|---|---|---|---|
| MP3 | Com perdas (Lossy) | Boa | ~2 segundos | Uso geral, ficheiros |
| WAV | Nenhuma (PCM) | Máxima | Média | Pós-produção, audiolivros |
| PCM | Nenhuma (raw) | Máxima | ~0,7 segundos | Streaming em tempo real |
| FLAC | Sem perdas (Lossless) | Máxima | Média | Arquivo, qualidade profissional |
| Opus | Com perdas (Lossy) | Muito boa | Baixa | Streaming, VoIP, largura de banda limitada |
As latências nesta tabela são ordens de grandeza aproximadas medidas com o Voxtral 2; volte a medi-las com o Voxtral TTS 3, que produz áudio mono a 24 kHz em todos os casos.
MP3: O Padrão Universal
O MP3 continua a ser o formato mais difundido: todos os navegadores, telemóveis e leitores o interpretam nativamente, e suporta os metadados ID3 exigidos pelas plataformas de podcasting. A sua compressão tem perdas, pelo que a qualidade é ligeiramente inferior à do WAV, mas a diferença raramente é audível na fala. A sua verdadeira desvantagem reside noutro aspeto: no streaming, o codec precisa de acumular dados antes de produzir o seu primeiro quadro, atrasando o primeiro som em cerca de dois segundos. Escolha este formato para ficheiros transferíveis, podcasts ou integração web padrão — nunca para uso conversacional.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="An MP3 file for standard use.",
voice_id=voice_id,
response_format="mp3",
)
WAV: Qualidade Máxima
O WAV contém áudio PCM não comprimido, oferecendo a melhor qualidade possível sem qualquer perda. Como não há nada para descodificar e os editores de áudio reconhecem universalmente o formato, é o ponto de partida natural para qualquer cadeia de pós-produção: edita, equaliza e comprime, exportando depois para o formato de distribuição desejado. A contrapartida é o tamanho do ficheiro — cerca de dez vezes superior ao de um MP3 — e os requisitos de largura de banda correspondentes.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="A WAV file for the best quality.",
voice_id=voice_id,
response_format="wav",
)
Reserve-o para audiolivros de qualidade de estúdio, arquivo e qualquer conteúdo que planeie editar posteriormente.
PCM: O Formato de Tempo Real
O PCM (Modulação por Código de Pulsos) é áudio bruto Float32 Little-Endian, sem cabeçalho nem encapsulamento. Esta simplicidade é simultaneamente a sua força e a sua fraqueza. A sua força: nada para codificar ou descodificar, o primeiro som chega em cerca de 0,7 segundos e os bytes recebidos são escritos diretamente na placa de som. A sua fraqueza: sem um cabeçalho, tem de conhecer e transmitir a taxa de amostragem e o formato por si próprio — é exatamente por isso que o exemplo pyaudio na Lição 10 declarava explicitamente paFloat32, um canal e 24.000 Hz. Os ficheiros são também muito grandes e nenhum leitor de consumo os abre diretamente.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Raw PCM for streaming.",
voice_id=voice_id,
response_format="pcm",
)
Este é o formato para assistentes de voz em tempo real, agentes conversacionais e aplicações WebRTC.
FLAC: Compressão Sem Perdas
O FLAC reduz o tamanho do ficheiro em 50% a 60% sem tocar numa única amostra: a qualidade é rigorosamente idêntica à do WAV e mantém os metadados. Na prática, este é o seu formato de arquivo: guarde os seus masters em FLAC e poderá regenerar um MP3 ou Opus anos mais tarde sem sofrer a dupla compressão que degrada o áudio. Exige um descodificador, tornando-o menos universal que o MP3.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="FLAC for lossless archiving.",
voice_id=voice_id,
response_format="flac",
)
Opus: O Compromisso Moderno
O Opus é um codec concebido para comunicação em tempo real, oferecendo excelente qualidade a taxas de bits muito baixas. Numa aplicação móvel a funcionar numa rede 4G degradada, fornece uma voz clara onde o WAV saturaria a ligação, com baixa latência de streaming — superior à do PCM, mas muito inferior à do MP3. No entanto, a compatibilidade é irregular: nem todos os leitores o suportam nativamente e alguns exigem um contentor OGG.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Opus for efficient streaming.",
voice_id=voice_id,
response_format="opus",
)
Esta é a escolha para VoIP, streaming com largura de banda limitada e aplicações móveis.
Decidir num Minuto
Perante um novo projeto, decida pela seguinte ordem. Se estiver a fazer streaming em tempo real, escolha o PCM para latência mínima, ou o Opus se a largura de banda for tão importante quanto a capacidade de resposta. Caso contrário, pergunte onde o ficheiro será reproduzido: num navegador, o MP3 garante a máxima compatibilidade. Se precisar de ser editado posteriormente, o WAV oferece o material mais fácil de manipular. Se tiver de ser arquivado sem perder um decibel, o FLAC comprime sem sacrificar nada. E se a restrição dominante for uma rede lenta, o Opus oferece a melhor relação qualidade-tamanho.
Pontos-chave
- O MP3 é a escolha padrão para compatibilidade universal
- O PCM oferece a menor latência para streaming em tempo real (~0,7s)
- O WAV fornece a melhor qualidade não comprimida, ideal para pós-produção
- O FLAC comprime sem perdas — mesma qualidade que o WAV, ficheiros menores
- O Opus é o melhor compromisso qualidade-tamanho para aplicações em rede