Voxtral 3: uma conversa transforma-se em texto, marcas temporais e oradores

«Quatro dossiês. Não, seis.» Ambos os números têm de aparecer na transcrição. Na lista de materiais, só a quantidade confirmada deve contar mais tarde. Entre estes dois resultados corretos está uma pequena, mas decisiva, tarefa de raciocínio: o decurso de uma conversa e o seu estado de trabalho atual são coisas diferentes.

A Mistral apresentou o Voxtral 3 a 20 de outubro de 2026. A documentação dos modelos de transcrição descreve, entre outras coisas, marcas temporais e atribuição de oradores, e indica o acesso como Public Preview. O que é particularmente interessante na prática é a forma como a transcrição, a localização no tempo e a avaliação posterior funcionam em conjunto.

O que uma etiqueta de orador diz realmente

A atribuição de oradores pode ligar segmentos falados pela mesma voz. Uma etiqueta como Orador A é, para começar, uma atribuição técnica dentro da gravação. Não estabelece um nome, uma responsabilidade nem uma identidade fora deste contexto.

Também a marca temporal cumpre uma tarefa limitada: conduz a um ponto no áudio original. Uma marca temporal correta não torna certo um nome mal reconhecido. Por sua vez, um resumo linguisticamente polido pode eliminar a autocorreção que foi importante para a decisão.

Por isso, vale a pena manter três resultados separados: uma transcrição quase literal, a estrutura de oradores e tempos, e uma visão geral de tarefas derivada. Cada um pode ser verificado sem reescrever silenciosamente os outros.

Uma amostra de conversa tua, com um significado conhecido

Com uma segunda pessoa que tenha concordado, grava uma cena curta e não sensível. Uma pessoa encomenda quatro dossiês. A outra pergunta por um participante adicional. Depois, a quantidade é corrigida explicitamente para seis. No fim, fica em aberto quem vai buscar os dossiês. Usa nomes inventados e nenhuma conversa real com clientes.

Antes de qualquer processamento automático, escreve uma referência tua: a formulação da alteração de quantidade, as mudanças de orador conhecidas e a questão em aberto sobre a recolha. Determinas os intervalos de tempo a partir da tua gravação real. Para isso, não é necessária uma faixa de áudio artificial perfeita; o que importa é que tu próprio conheças o conteúdo com segurança.

Primeiro, deixa uma função de transcrição adequada produzir apenas a transcrição e os segmentos por orador. Verifica a alteração de quantidade e volta atrás através das marcas temporais. Só então deriva uma visão geral de tarefas. Isto permite distinguir um erro de reconhecimento de um resumo errado.

Um acordo com um caminho de regresso ao áudio

Para o segundo passo, basta uma pequena estrutura tua:

Conversation excerpt: “Four binders. No, six.”
Current working state: six binders
Evidence: time range of the explicit correction
Collection: responsibility not agreed in the conversation

Uma instrução adequada é: «Resume apenas as tarefas que foram explicitamente acordadas. Tem em conta as correções posteriores. Para cada tarefa, indica o momento correspondente. Mantém as responsabilidades pouco claras como ponto em aberto.» Isto é mais preciso do que pedir uma ata profissional.

Depois, verifica se um resumo transformou acidentalmente uma sugestão não vinculativa num compromisso. «Talvez a Lea possa ir buscá-los» é um estado da conversa diferente de «A Lea vai buscá-los». Uma palavra corretamente reconhecida pode, ainda assim, receber na avaliação o grau de compromisso errado.

As legendas exigem mais uma decisão

Para legendas, talvez queiras encurtar repetições e formar linhas legíveis. Uma visão geral dos materiais, por outro lado, deve condensar o acordo atual. Ambas as tarefas podem usar o mesmo áudio de origem, mas precisam de regras diferentes.

Mantém a base quase literal separada da versão editada. Assim, podes rastrear mais tarde porque é que uma linha foi encurtada e se a correção foi preservada. Nomes próprios, números e ressalvas merecem uma segunda audição direcionada.

A pequena experiência não testa uma taxa de reconhecimento geral nem o desempenho com sotaques arbitrários. Mostra algo imediatamente útil: em que fase é que uma sequência ouvida se transforma numa afirmação relevante para a ação? Segundo a documentação, o Voxtral 3 fornece componentes para este caminho. Um registo utilizável surge quando os seus resultados permanecem ligados ao original e os acordos em aberto podem continuar em aberto.

Fontes e estado

Fontes à data de 25 de outubro de 2026. Voxtral 3 · Voxtral Mini Transcribe 3.