Mistral AI Lança Voxtral Transcribe 2 — Modelos de Reconhecimento de Fala com Latência Ultrabaixa

A Mistral AI anunciou o lançamento do Voxtral Transcribe 2 - duas novas famílias de modelos de reconhecimento de fala, focadas em alta qualidade de transcrição, diarização e latência mínima. A família inclui o Voxtral Mini Transcribe V2 para processamento em lote e o Voxtral Realtime para aplicações ao vivo. O Voxtral Realtime usa uma nova arquitetura de streaming, processando áudio conforme ele chega, e permite ajustar a latência para menos de 200 ms. O modelo tem 4 bilhões de parâmetros, suporta 13 idiomas (incluindo inglês, chinês, hindi, espanhol, árabe, francês, português, russo, alemão, japonês, coreano, italiano e holandês) e é distribuído com pesos abertos sob licença Apache 2.0 no Hugging Face Hub. O Voxtral Mini Transcribe V2 oferece uma taxa de erro de cerca de 4% no FLEURS e custa US$ 0,003/minuto - de acordo com a empresa, a melhor relação custo-benefício entre as APIs de transcrição. O modelo supera GPT-4o mini Transcribe, Gemini 2.5 Flash, Assembly Universal e Deepgram Nova em precisão, processa áudio cerca de 3 vezes mais rápido que o ElevenLabs Scribe v2 com a mesma precisão e é cinco vezes mais barato. O Voxtral Mini Transcribe V2 suporta diarização (criação de rótulos de falantes com timestamps precisos de início e fim), controle contextual (até 100 palavras para ajustar a ortografia), timestamps por segundo, robustez a ruído, processamento de áudio de até 3 horas e os mesmos 13 idiomas. Também foi lançado um playground de áudio no Mistral Studio, permitindo testar transcrição com diarização e timestamps. O Voxtral Mini Transcribe V2 está disponível via API por US$ 0,003/minuto, o Voxtral Realtime por US$ 0,006/minuto e como pesos abertos. Ambos os modelos suportam implantação de acordo com o Regulamento Geral sobre a Proteção de Dados e a Lei de Portabilidade e Responsabilidade de Seguros de Saúde por meio de instalações locais ou nuvem privada.