A Mistral (abre em nova aba) não lançou só mais um modelo de transcrição. Com o Voxtral 3 (abre em nova aba), anunciado na terça-feira (20), a empresa francesa quer vender o atendente inteiro. O pacote traz o ouvido que entende a ligação, o cérebro que decide o que fazer, as mãos que consultam um sistema ou marcam um horário e a boca que responde em voz alta. Tudo acontece numa conversa contínua, sem transferir a ligação para ninguém.
Essa é a mudança que importa. Até agora, quem queria montar um assistente de voz juntava peças de fornecedores diferentes: um serviço transformava fala em texto, outro pensava a resposta e um terceiro transformava texto em fala. A Mistral põe tudo num único kit de programação, construído sobre o LiveKit (abre em nova aba), uma plataforma de áudio em tempo real. O kit funciona em linhas de atendimento, navegadores e aplicativos. Também dá para trocar o modelo que raciocina, a voz ou o idioma sem reescrever o agente.
O que vem na caixa
- Três transcritores. O Mini é o mais barato e tem 4 bilhões de parâmetros. O Small é o carro-chefe e cobre 50 idiomas, incluindo as 24 línguas oficiais da União Europeia. O Realtime foi feito para conversa ao vivo: entende mais de 35 idiomas e devolve o texto em menos de meio segundo.
- Recursos de escuta. O Small identifica quem falou o quê numa conversa entre várias pessoas. Ele também dá prioridade a palavras-chave, como nomes de produtos, e percebe quando a pessoa terminou de falar.
- Voz sintética. O Voxtral Speech 3 fala mais de 35 idiomas e mais de 50 dialetos, com emoção, ritmo e ênfase ajustáveis. Há uma voz pronta em português brasileiro, e a versão Pro Voice imita uma voz a partir de gravações da ordem de meia hora.
Na demonstração da própria Mistral, a pessoa que liga corrige um número de referência no meio da conversa. O agente usa esse número para achar um encaminhamento médico francês, explica o documento em inglês, oferece uma consulta e agenda o horário depois que a pessoa concorda. Segundo a empresa, cada troca de falas se resolve em menos de um segundo, e o agente se cala quando é interrompido. Impressiona, mas é vitrine. O Superpower Daily lembrou que se trata de uma demonstração da empresa, não de prova de desempenho em ligações médicas reais. A promessa de velocidade, aliás, vale para a transcrição, não para o tempo de concluir a tarefa.
O número que importa é o preço por minuto
| Produto | Preço divulgado |
|---|---|
| Mini Transcribe 3 (áudio gravado) | US$ 0,0035/min |
| Small Transcribe 3 | US$ 0,004/min |
| Mini Transcribe Realtime 3 | US$ 0,008/min |
| Speech 3 (voz sintética) | US$ 13 por 1 milhão de caracteres |
| Agente de voz com Mistral Small 4 | US$ 0,04/min |
| Agente de voz com outro modelo de raciocínio | US$ 0,08/min |
Na prática, um atendente completo rodando com o modelo da casa custa US$ 2,40 por hora de conversa. Com outro modelo no comando, o preço sobe para US$ 4,80. A Mistral afirma ainda que sua voz sintética sai mais barata que as da OpenAI (TTS-1), Deepgram, ElevenLabs Flash e Gemini Flash. O recado para quem paga a conta de uma central de atendimento é direto. O preço em dobro para quem trocar de modelo é um incentivo nada sutil para ficar dentro do ecossistema da Mistral.
A Mistral se dá nota alta
No anúncio oficial no X, a empresa resumiu o lançamento com um adjetivo que ela mesma escolheu:
Apresentamos o Voxtral 3: modelos Transcribe e Speech de última geração que alimentam a nova API de agentes de voz da Mistral. 🧵
Quase todos os números que sustentam esse "última geração" vêm da própria Mistral. No teste multilíngue FLEURS, ela diz que o Small Transcribe 3 erra 4,1% das palavras, contra 16% do Whisper large-v3, da OpenAI. Em inglês, francês e espanhol, a empresa afirma superar o Whisper, o Scribe v2 e o Gemini 3.5 Transcribe. Parte das avaliações internas foi julgada por um modelo do Google, o gemini-3.8-flash. É um detalhe curioso, já que um produto do mesmo Google está entre os concorrentes derrotados. Segundo o AI Weekly, o anúncio não traz resultados separados por idioma nem nomes de clientes. Quem quer saber como o modelo se sai em português simplesmente não encontra o número.
Há um dado de fora. No ranking da Artificial Analysis citado pela OrcaRouter, o Small Transcribe 3 erra 2,1% das palavras, contra 2,6% do Gemini 3.5 Transcribe. A diferença equivale a cerca de cinco erros a menos a cada mil palavras. É uma vantagem real, mas pequena.
Desta vez, fechado
Os lançamentos de voz anteriores da Mistral podiam ser baixados por qualquer pessoa, com licenças publicadas no Hugging Face. O Voxtral 3 não segue esse caminho. Segundo a OrcaRouter, não há arquivos do modelo para download, nem licença, nem repositório, e três dos quatro modelos nem têm tamanho divulgado. A empresa vende a ideia de "implantação soberana": servidores na Europa, opções nos EUA e global, e a possibilidade de rodar tudo na infraestrutura do cliente. Sem os arquivos públicos, porém, essa autonomia depende de condições que o anúncio não detalha. O Antihype ainda notou que, na transcrição, o Voxtral 3 cobra mais caro que a versão de fevereiro, que era aberta.
Segundo o Daily Journal, o CEO Arthur Mensch vê a voz como a interface mais importante dos sistemas de IA. Se ele estiver certo, a disputa não é para ver quem transcreve melhor, e sim quem fica com cada minuto de ligação. A Mistral chegou com preço agressivo e o pacote completo. Agora precisa mostrar, longe da demonstração ensaiada, que seu atendente aguenta um cliente impaciente falando português de verdade.