A Mistral AI, uma startup de inteligência artificial da França, acaba de anunciar o lançamento de uma nova série de modelos de transcrição de voz para texto, chamada Voxtral Transcribe2. Essa série inclui dois modelos otimizados para diferentes cenários de aplicação e visa resolver problemas de alta latência e altos custos em interações de voz.
O modelo mais aguardado é o Voxtral Realtime, uma solução de transcrição em tempo real com 4 bilhões de parâmetros. Ele utiliza uma arquitetura inovadora de streaming, que permite uma resposta extremamente rápida. O destaque desse modelo está na sua latência reduzida: a transcrição ocorre no momento em que o áudio é capturado, com uma latência de apenas 200ms (0,2 segundos). Isso significa que, em conversas ao vivo ou tradução simultânea, os usuários quase não percebem nenhum atraso no processamento. A Mistral AI liberou oficialmente os pesos do modelo sob a licença Apache 2.0, o que pode estimular o desenvolvimento de uma comunidade de desenvolvedores ao redor da tecnologia.
Além do Voxtral Realtime, a empresa também apresentou o Voxtral Mini Transcribe V2, focado no processamento de grandes volumes de áudio com um excelente custo-benefício. Este modelo é especialmente projetado para lidar com áudios longos, podendo transcrever gravações de até 3 horas em uma única solicitação. A Mistral afirma que o Voxtral Mini supera modelos como o GPT-4o mini Transcribe e o Gemini2.5Flash em termos de precisão.
Em termos de suporte linguístico e custos, ambos os modelos são altamente versáteis. Eles suportam 13 idiomas principais, incluindo o português, e têm preços competitivos: a versão offline (batch) custa apenas 0,003 dólares por minuto, enquanto a versão em tempo real tem o preço de 0,006 dólares por minuto, para quem busca a melhor performance.
Destaques do lançamento:
⚡ Latência extremamente baixa: O modelo Voxtral Realtime reduz a latência de transcrição para abaixo de 200ms, com transcrição instantânea assim que o áudio é capturado.
🏆 Custo-benefício superior: O Voxtral Mini oferece uma performance superior em relação a concorrentes como o GPT-4o mini, suporta gravações de até 3 horas e tem um preço muito atrativo.
🌐 Suporte a múltiplos idiomas: Ambos os modelos oferecem suporte a 13 idiomas, incluindo português, o que os torna ideais para uma variedade de cenários de uso global, como ambientes de trabalho e interações em tempo real.
Com essa nova tecnologia, a Mistral AI promete transformar a forma como interagimos com áudios e expandir ainda mais o uso de transcrição automática em diversas indústrias.