O que foi publicado
A Mistral publicou o Voxtral 3, uma família de modelos de voz que cobre transcrição, transcrição em streaming e síntese, no seu blogue. A gama inclui o Voxtral Small Transcribe 3 para precisão em lote, o Voxtral Mini Transcribe 3 com 4 mil milhões de parâmetros para eficiência, o Voxtral Mini Transcribe Realtime 3 para streaming e o Voxtral Speech 3 para texto para voz. Um SDK de agentes de voz construído sobre o LiveKit encadeia-os numa única linha de processamento.
A transcrição em lote cobre mais de 50 línguas, incluindo as 24 oficiais da UE; o modelo em tempo real cobre mais de 35; e o modelo de fala cobre mais de 35 línguas e 50 dialetos, com vozes predefinidas em 18. Todos os números abaixo são da Mistral, publicados na sua página de produto e não medidos de forma independente.
O imposto da latência, nos números da Mistral
O mais útil da página é o gráfico de tempo real, porque põe um preço na velocidade em vez de o disfarçar. Medido no FLEURS em 35 línguas, o Mini Transcribe 3 em modo diferido regista uma taxa média de erro por palavra de 4,0%. Executado como fluxo, o erro sobe a cada degrau de latência: 5,7% aos 2.400 ms, 6,0% aos 960 ms, 6,4% aos 480 ms e 7,4% aos 240 ms.
É um compromisso publicado pelo próprio fornecedor: uma resposta em um quarto de segundo custa cerca de 85% mais erros por palavra do que o mesmo modelo com o ficheiro inteiro. A Mistral coloca o Gemini 3.5 Realtime Transcribe nos 4,2% no mesmo gráfico, o Microsoft AI Transcribe 2 Streaming nos 5,8%, o GPT Live Transcribe nos 8,4% e o Scribe v2 Realtime nos 8,7%.
Na transcrição em lote, a Mistral dá ao Voxtral Small Transcribe 3 cerca de 4,1% de erro com a língua forçada e 4,0% com deteção automática, contra cerca de 16,0% e 14,9% do Whisper large-v3 — a comparação mais antiga do gráfico, e a que mais favorece o resultado.
Onde diz que lidera
Os números de diarização são a afirmação mais forte. Em média sobre cinco conjuntos conversacionais, a Mistral indica 18,4% para o Voxtral Small Transcribe 3 e 18,6% para o Mini, contra 19,0% do orquestrador Precision 3 da Pyannote, 20,3% do Microsoft AI Transcribe 2, 23,0% do Scribe v2 e 38,4% do Gemini 3.5 Transcribe. A geração anterior, o Voxtral Mini Transcribe 2, fica nos 30,9% — a maior melhoria isolada da página, e uma em que a Mistral se mede contra si própria.
Preços e canalização
A Mistral cobra 0,0035 dólares por minuto pelo Mini Transcribe 3, 0,0040 pelo Small Transcribe 3 e 0,008 pelo modelo em tempo real, com a síntese de voz a 13 dólares por milhão de caracteres. A clonagem de voz precisa de cerca de 30 minutos de áudio recolhido. Os modelos de transcrição suportam diarização, enviesamento por termos-chave e deteção de fim de turno; a pilha de agentes chega aos telefones por SIP e aos navegadores por WebRTC, e a Mistral diz que um turno completo de agente fecha em menos de um segundo.
Os modelos estão disponíveis pela API da Mistral em pontos de acesso europeus, norte-americanos e globais, nos ambientes de teste do Studio e para instalação própria mediante pedido.
O que falta
Para uma empresa cuja identidade assenta nos pesos abertos, a página cala-se sobre licenciamento: não diz se algum peso do Voxtral 3 é publicado, em que termos, nem se a família é apenas por API. Também não dá duração máxima de áudio, nem limite de contexto, nem contagem de parâmetros para o modelo Small ou para o de fala, nem data de lançamento explícita — a única data na página é uma nota de rodapé a dizer que as avaliações de voz foram geradas a 20 de outubro.
Os números a esperar são os independentes. O gráfico de tempo real da Mistral é invulgarmente honesto sobre o que custa o streaming; saber se as vantagens em lote e em diarização sobrevivem ao conjunto de testes de outra pessoa é a parte que ainda não está registada.
