A Mistral AI apresentou o Voxtral 3 na terça-feira, 20 de outubro de 2026, a sua aposta mais completa na voz até agora. O lançamento junta novos modelos de reconhecimento de fala, um novo modelo de síntese e um kit de desenvolvimento pensado para os transformar em agentes de voz funcionais para centros de contacto, balcões de apoio e assistentes mãos-livres. A empresa de Paris apresenta-o como uma opção soberana: os clientes podem usar os modelos pela API ou executá-los na sua própria infraestrutura e decidir se o áudio fica guardado.
Para ouvir, há três modelos. O Voxtral Small Transcribe 3 é o mais preciso e custa 0,004 dólares por minuto. O Voxtral Mini Transcribe 3, com 4 mil milhões de parâmetros, trata ficheiros em lote por 0,0035 dólares por minuto. Ambos funcionam em mais de 50 línguas, incluindo as 24 línguas oficiais da União Europeia, identificam quem está a falar e aceitam termos ou nomes fornecidos pelo utilizador para melhorar o reconhecimento de vocabulário técnico. Um terceiro modelo, o Voxtral Mini Transcribe Realtime 3, foi pensado para agentes ao vivo, devolve texto em menos de 500 milissegundos em mais de 35 línguas e custa 0,008 dólares por minuto.
Para a fala, o Voxtral Speech 3, também designado Voxtral Mini TTS 3, cobre mais de 35 línguas e 50 dialetos e ajusta emoção, ritmo e ênfase ao contexto da conversa. Custa 13 dólares por milhão de caracteres. A opção Pro Voice reproduz o estilo de um orador a partir de cerca de 30 minutos de gravação, a pensar em marcas que querem uma voz coerente em várias línguas.
O SDK é a peça que une tudo. Assente na framework aberta LiveKit, recebe o áudio em fluxo contínuo, envia-o para um modelo generalista como o Mistral Small, que raciocina e chama ferramentas, e responde em voz sem esperar que cada etapa termine. A Mistral garante que uma volta completa demora menos de um segundo e que o agente se cala quando o interlocutor o interrompe. Os agentes podem consultar faturas, confirmar identidades ou marcar consultas com chamadas de funções, pesquisa na web e recuperação de dados, e ligam-se por linhas telefónicas SIP ou por WebRTC em navegadores e aplicações.
A Mistral afirma que o seu modelo Small de transcrição supera o Whisper da OpenAI, o Scribe v2 da ElevenLabs e o Gemini 3.5 Transcribe da Google em testes de precisão multilingue e identificação de oradores, e que o seu modelo de fala é mais barato do que serviços rivais. Estas comparações resultam de avaliações internas, algumas classificadas automaticamente por outro modelo de IA, e ainda não foram verificadas por terceiros. O site The Decoder confirma no seu relato as principais especificações e preços.
O lançamento é relevante porque a voz se está a tornar uma interface central dos agentes de IA e um grande mercado comercial, disputado pela OpenAI, Google, ElevenLabs, Deepgram e outros. A combinação de preços baixos por minuto, alojamento europeu e instalação própria visa setores regulados como a saúde, a banca e a administração pública, onde enviar chamadas de clientes para uma nuvem norte-americana pode ser complicado.
Os modelos já estão disponíveis através dos pontos de acesso europeu, norte-americano e global da API da Mistral e podem ser testados nos ambientes de demonstração do Studio. A empresa não indicou se os pesos serão publicados em aberto, e a instalação completa em servidores próprios exige contacto com a equipa comercial.