Mistral lança Voxtral 3: reconhecimento de fala em mais de 50 idiomas, TTS expressivo e SDK para agentes de voz em tempo real

A Mistral AI anunciou o Voxtral 3 em 20 de outubro de 2026: um novo conjunto de modelos de fala e um kit de software para criar agentes de voz que conversam em tempo real e executam tarefas durante uma ligação.

O que inclui

• Voxtral Small Transcribe 3: fala para texto em 50 idiomas, incluindo as 24 línguas oficiais da UE, com identificação de falantes (diarização), context biasing com termos-chave e detecção de fim de turno. Uma versão Mini menor tem 4 bilhões de parâmetros.
• Voxtral Mini Transcribe Realtime 3: transcrição em tempo real com latência, segundo a Mistral, abaixo de 500 ms.
• Voxtral Mini TTS 3: texto para fala em mais de 35 idiomas e 50 dialetos, com vozes que ajustam emoção, ritmo e ênfase ao contexto, e adaptação “Pro Voice” a partir de cerca de 30 minutos de áudio de um falante.
• Um SDK de agentes de voz baseado no LiveKit que encadeia em streaming a entrada de voz, o raciocínio de um modelo como o Mistral Small, chamadas de ferramentas e a resposta falada; segundo a Mistral, cada turno leva menos de um segundo e funciona por telefone (SIP) e web (WebRTC).

Preços e implantação

A Mistral lista US$ 0,0035 por minuto para transcrição Mini em lote, US$ 0,008/min em tempo real, US$ 13 por milhão de caracteres de TTS e US$ 0,04/min para a API de agente de voz com o Mistral Small 4. Os modelos estão disponíveis em endpoints da UE, dos EUA e globais, ou para implantação própria, que a empresa apresenta como forma de manter o áudio e sua retenção sob controle do cliente.

Ressalva

A Mistral afirma que o Voxtral 3 supera o Whisper, o ElevenLabs Scribe v2 e os modelos de transcrição do Gemini, mas os gráficos são avaliações da própria empresa, várias pontuadas por outro modelo de IA; ainda não há testes independentes.