Mistral lança modelos de fala Voxtral 3 e SDK de agente de voz

A Mistral lançou a família Voxtral 3 em 20 de outubro de 2026, combinando transcrição multilíngue precisa, texto para fala expressivo e um SDK de agente de voz em tempo real que lida com escuta, raciocínio, chamada de ferramentas e fala em um único pipeline [1]. Os modelos rodam na API hospedada na UE da Mistral ou na infraestrutura própria dos clientes [1].

Quais modelos de transcrição a Mistral lançou?

A Mistral lançou três modelos de transcrição Voxtral 3 em 20 de outubro de 2026, com suporte a até 50 idiomas. São eles Voxtral Small Transcribe 3, Voxtral Mini Transcribe 3 e Voxtral Mini Transcribe Realtime 3 [1]. O modelo Mini tem 4B parâmetros e custa US$ 0,0035 por minuto, enquanto a variante em tempo real visa latência abaixo de 500 ms em mais de 35 idiomas com diarização e viés de contexto [1].

O Voxtral Small Transcribe 3 afirma resultados de ponta em diarização e transcrição multilíngue em 50 idiomas, incluindo 24 idiomas oficiais da UE, superando Whisper, Scribe v2 e Gemini 3.5 Transcribe de acordo com os benchmarks da Mistral [1]. O viés de contexto permite que os usuários forneçam termos-chave sem ajuste fino [1].

Como funcionam o novo TTS e a clonagem de voz?

A Mistral informa que o Voxtral Mini TTS 3 oferece suporte a mais de 35 idiomas e 50 dialetos a US$ 13 por milhão de caracteres. A Mistral também chama o modelo de Voxtral Speech 3 e afirma que suas vozes ajustam emoção, ritmo e ênfase conforme a conversa [1]. Para uso profissional, a Mistral diz que a adaptação de voz pode reproduzir o estilo de um falante a partir de 30 minutos de áudio [1].

O que o SDK de agente de voz permite?

O novo SDK de agente de voz da Mistral é baseado no LiveKit e conclui cada turno em menos de um segundo, segundo a empresa. Ele executa fala de entrada, raciocínio e fala de saída como um único pipeline de streaming, e o agente para de falar quando o interlocutor interrompe [1]. Os agentes podem atender e fazer chamadas via SIP e funcionar em navegadores e aplicativos via WebRTC [1].

Onde os desenvolvedores podem executar o Voxtral 3?

O Voxtral 3 está disponível por meio da API da Mistral com endpoints europeus, dos EUA e globais, e pode ser implantado localmente [1][2]. A Mistral afirma que as organizações controlam onde o áudio é processado e se algum áudio é retido [1]. Os gráficos de benchmark da Mistral, que afirmam vitórias sobre Whisper, Scribe v2 e Gemini 3.5 Transcribe, são avaliações próprias da empresa [1].

Nossa leitura

Opinião: O Voxtral 3 reduz a distância entre interfaces de voz e fluxos de trabalho de agentes confiáveis, mas o verdadeiro teste será verificar se a precisão e a latência declaradas se mantêm quando benchmarks independentes substituírem os números internos da Mistral.

O que não pudemos verificar

• Confirmação independente das taxas de erro de palavra e dos números de diarização mostrados nos gráficos da Mistral.
• A distribuição exata de latência do modelo em tempo real sob carga de produção.
• Se os pesos do Voxtral 3 são publicados abertamente; o post da Mistral descreve acesso via API e implantação local.
• Qualquer avaliação de terceiros da qualidade da adaptação Pro Voice de 30 minutos.