Voxtral 3 da Mistral chega com um modelo Transcribe #3 e uma voz de US$ 13

O número a destacar é 2,1%. Essa é a taxa de erro de palavras que a Artificial Analysis mediu para Voxtral Small Transcribe 3, o que coloca o novo reconhecedor da Mistral em terceiro lugar no ranking independente de fala para texto em 21 de outubro de 2026 — atrás apenas do Fun-Realtime-ASR-preview da Alibaba, com 1,7%, e do MAI-Transcribe-2 da Microsoft, com 2,0%, e à frente do ElevenLabs Scribe v2, com 2,2%. O mesmo lançamento de 20 de outubro também trouxe Voxtral 3 T​TS, um modelo de síntese com preço de US$ 13 por milhão de caracteres que ocupa o 13º lugar na arena Provider Voice e o 14º lugar na arena Controlled Voice. Um desses resultados é uma subida genuína na tabela. O outro é uma entrada competente no meio da tabela, com uma etiqueta de preço agressiva, e a diferença entre como os dois foram anunciados e como de fato pontuaram é a coisa mais útil no lançamento. As falhas de IA e os incidentes de agentes documentados por trás de lançamentos como este estão reunidos em o OrcaRouter AI Incident Archive onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e sinalização de disputa.

Tudo o que segue separa três tipos de afirmação: números dos painéis de escuta cega e transcrição do Artificial Analysis (independentes), números da própria página de lançamento da Mistral (relatados pelo fornecedor) e aritmética feita aqui a partir de preços publicados. Eles não são intercambiáveis, e a página de lançamento os apresenta de uma forma que facilita confundi-los.

O resultado da transcrição é o que realmente faz a Mistral subir no ranking

O Voxtral Small Transcribe 3 é o carro-chefe da família de quatro modelos e é a única parte do lançamento com uma pontuação independente que supera os concorrentes estabelecidos de forma inequívoca. Com 2,1% de WER, está 0,1 ponto atrás do MAI-Transcribe-2 da Microsoft e 0,1 à frente do Scribe v2 — margens bem dentro do ruído de um único conjunto de avaliação, mas suficientes para colocar a Mistral na conversa no topo da tabela, em vez de no grupo dos perseguidores.

O número de velocidade é a metade mais surpreendente. A Artificial Analysis mede um fator de velocidade mediano de 66,6 para o Voxtral Small Transcribe 3, contra 20,3 do Fun-Realtime-ASR-preview, o mais bem colocado, e 308,8 do MAI-Transcribe-2. Em termos simples, o modelo da Mistral transcreve aproximadamente 67 minutos de áudio por minuto de computação — quatro vezes mais lento que o da Microsoft e três vezes mais rápido que o da A​libaba. Barato, preciso e moderadamente lento é um perfil perfeitamente adequado para transcrição em lote; é um perfil ruim para qualquer coisa interativa, e é por isso que a Mistral vende um modelo de tempo real separado.

A família, conforme enviada em 20 de outubro:

• Voxtral Small Transcribe 3 — mais de 50 idiomas, diarização, viés de contexto, US$ 0,004 por minuto (US$ 4,00 por 1.000 minutos). A escolha pela precisão.

• Voxtral Mini Transcribe 3 — 4B parâmetros, mais de 50 idiomas, US$ 0,0035 por minuto. Obtém 2,2% de WER no mesmo ranking — estatisticamente empatado com o modelo Small a um custo 12,5% menor, o que torna difícil justificar o valor premium da categoria Small apenas pela precisão.

• {{1}}Voxtral Mini Transcribe Realtime 3{{/1}} — streaming, latência declarada abaixo de 500 ms, {{2}}$0,008 por minuto{{/2}}. A própria página da Mistral diz tanto "{{3}}35+ idiomas{{/3}}" quanto "{{4}}40+ idiomas{{/4}}" para este modelo em dois lugares diferentes; ninguém de fora testou qual está certo.

• Voxtral 3 TTS — síntese em lote e em tempo real a US$ 13 por milhão de caracteres, mais de 35 idiomas e mais de 50 dialetos. O modelo que a tabela de preços da Mistral chama de "Voxtral Speech 3" e que a documentação lista como voxtral-mini-tts-3-0.

Na própria avaliação FLEURS 45 da Mistral, o Voxtral Small Transcribe 3 reporta 4,1% de WER com idioma forçado e 4,0% com idioma inferido. Esse é um benchmark diferente do que o Artificial Analysis executa, e é por isso que a página do fornecedor mostra 4% e o painel independente mostra 2,1%. Nenhum dos números está errado; citá-los na mesma frase sem dizer qual é qual é como a cobertura de lançamento dá errado. A Mistral também afirma o menor erro de diarização do seu conjunto de comparação, com 18,4% de cpWER e 94,6% de recall de frases-chave com viés de contexto, acima de 81,4% sem ele — relatado pelo fornecedor, não reproduzido.

O modelo de voz está na média, e é o preço que está fazendo o argumento.

A postagem social da Mistral apresenta o lançamento do TTS como uma entrada no top 12 das duas arenas de texto para fala. Os rankings ao vivo em 21 de outubro contam uma história um pouco mais amena: o Voxtral 3 TTS está em #13 no Provider Voice com 1.217 Elo (intervalo de 95% 1.202–1.232, uma faixa empatada que abrange as posições 11 a 17) e #14 no Controlled Voice com 1.066 Elo (uma faixa empatada que abrange 10 a 19). Em outras palavras, está entre os quinze primeiros em ambos — e os intervalos de confiança se sobrepõem aos de cinco outros modelos, então a posição exata não é um fato estável. Este é o segundo dia do modelo no ranking e sua contagem de amostras, 1.619 comparações, está bem abaixo das 3.000+ que os líderes acumularam.

O que é estável é a vizinhança. Com 1.217 de Elo, o Voxtral 3 T​TS está no mesmo nível do Realtime T​TS-2 Flash e do StepAudio 2.5 T​TS, à frente do ElevenLabs Eleven v3 com 1.182, e atrás do Cartesia Sonic 3.6 com 1.289, do Q​wen-Audio-3.1-T​TS-Plus com 1.299 e do ElevenLabs Eleven v4 com 1.328.

Duas coisas sobre essa colocação merecem ser ditas sem rodeios. Primeiro, o Voxtral 3 TTS é uma clara melhoria de uma geração para outra para a Mistral: o Voxtral TTS de março de 2026 marcou 1.090 no mesmo ranking, então este é um salto de 127 pontos. Segundo, o salto não fechou a lacuna em relação à fronteira. O modelo anterior da Mistral estava muito atrás; o novo está no meio do pelotão.

O que US$ 13 por milhão de caracteres realmente compra

O preço é onde este lançamento fica interessante e onde uma leitura direta do comunicado de imprensa vai enganar você. A US$ 13 por milhão de caracteres, o Voxtral 3 T​TS custa cerca de US$ 0,70 por hora de fala gerada, assumindo aproximadamente 900 caracteres por minuto falado. O Cartesia Sonic 3.6 custa US$ 2,65 por hora a US$ 49, o ElevenLabs Eleven v4 custa US$ 4,32 a US$ 80, e o Q​wen-Audio-3.0-T​TS-Plus custa US$ 1,04 a US$ 19,31. Em comparação com o nível premium, a economia é real e grande.

Em relação à faixa de valor, não é um nocaute. O Simba 3.2 está em #10 com 1.245 de Elo — 28 pontos acima do Voxtral 3 T​TS — a US$ 6,6 por milhão de caracteres, metade do preço. O Realtime T​TS-2 Flash obtém os mesmos 1.217 de Elo a US$ 10,4. O Gemini 3.8 Flash-Lite T​TS obtém 1.250 a US$ 11. Numa proporção bruta de Elo por dólar, que trata o Elo como linear quando ele não é e deve ser lida como uma ordenação aproximada, e não como uma medição, o Voxtral 3 T​TS fica em cerca de 94 pontos por dólar, contra 189 do Simba 3.2 e 118 do Realtime T​TS-2 Flash.

O resumo honesto é que a Mistral precificou o modelo para ser defensável, e não disruptivo. Ele cobra menos que todos os modelos que o superam em mais de 50 Elo, e perde em valor para pelo menos três modelos que o superam em qualidade. Isso é um lançamento normal, não um evento de reprecificação.

A importância do roteamento aqui está em manter essa comparação viva, e não em uma planilha. O OrcaRouter oferece uma API para mais de 200 modelos e repassa o preço de tabela do provedor com 0% de markup, então, quando um fornecedor como a Mistral altera uma tarifa, o número que seu código vê muda junto; e trocar o endpoint de síntese por trás de um pipeline de voz é uma mudança de configuração, e não um segundo contrato. Se o Voxtral 3 T​TS pertence a esse pipeline é uma questão separada de se ele é o melhor modelo do ranking — e, no ranking, hoje, ele não é.

A parte da versão que não é um modelo

O que a Mistral lançou de mais consequente em 20 de outubro pode não ser nenhum dos dois modelos avaliados. A família vem acompanhada de um SDK de agente de voz construído sobre o LiveKit, com suporte a telefonia SIP, WebRTC, IVR e integrações com centrais de contacto, e com a alegada capacidade de completar um turno integral do agente em menos de um segundo, além de lidar com interrupções (barge-in). A Mistral cobra por todo o ciclo do agente — fala de entrada, raciocínio, fala de saída — 0,04 dólares por minuto quando o modelo de raciocínio é o Mistral Small 4, ou 0,08 dólares por minuto com um modelo de raciocínio diferente.

Esse pacote por minuto é uma unidade diferente de uma tarifa de TTS por caractere, e comparar os dois diretamente é um erro comum. Um agente de voz que fala por 30 segundos de uma chamada de um minuto consome cerca de 4.500 caracteres de síntese, o que, a US$ 13 por milhão, fica abaixo de seis centavos — então o pacote de US$ 0,04 é competitivo com montar as peças você mesmo, desde que você já quisesse o modelo de raciocínio da Mistral de qualquer forma. O pacote também é onde o argumento do failover se justifica em produção: um agente de voz com um endpoint de síntese morto é uma linha telefônica silenciosa, e a perna de raciocínio desse pipeline é exatamente o tipo de coisa para a qual um roteador com failover automático serve.

O que a Mistral não disponibilizou são os pesos abertos. A página do Voxtral 3 descreve acesso via API, playgrounds no Studio e implantação própria em infraestrutura privada, mas nunca afirma que os pesos podem ser baixados. O Voxtral TTS de março foi disponibilizado no Hugging Face sob a licença CC BY-NC 4.0; nada nesta versão repete isso. Se a auto-hospedagem for um requisito, esta geração atualmente não o atende.

Três coisas que ninguém ainda mediu

A ausência de um número de latência publicado para o Voxtral 3 T​TS é a lacuna mais gritante no material de lançamento. A Mistral fornece menos de 500 ms para transcrição em tempo real e menos de um segundo para um turno completo do agente, mas nenhum tempo até o primeiro áudio para síntese, que é o número que decide se um agente de voz parece conversacional. A Artificial Analysis relata um tempo mediano de geração de 7,2 segundos e uma vazão mediana de 112 caracteres por segundo, ambos descrevendo renderização em lote, e não comportamento de streaming. Uma mediana de 112 caracteres por segundo é respeitável — mais rápida que os 56 do ElevenLabs Eleven v3 e mais lenta que os 145 do Sonic 3.6 —, mas não diz nada sobre os primeiros 200 milissegundos.

A clonagem de voz é a segunda lacuna. A adaptação "Pro Voice" da Mistral reproduz o caráter e a gama emocional de um locutor a partir de 30 minutos de áudio. Esse é um processo de nível de estúdio, não o clone instantâneo de dez segundos que a Cartesia anuncia nem o clone de trinta segundos que a ElevenLabs oferece, e posiciona o Voxtral 3 T​TS para vozes de marca, em vez de criação de personagens gerada por usuários.

O terceiro é a resistência. Os próprios materiais da Mistral não indicam um comprimento máximo de geração para o endpoint T​TS, e as amostras da arena são clipes curtos. A narração de longa duração é onde um modelo Elo de meio de tabela ainda pode ser a resposta certa se mantiver coerência ao longo de dez minutos, e ninguém publicou esse teste.

A leitura justa de 20 de outubro é que a Mistral lançou um concorrente de transcrição de verdade e um modelo TTS bom o suficiente para entrar na lista final e barato o suficiente para ser testado. O ranking de transcrição é onde a empresa conquistou uma manchete. O ranking de síntese é onde ela comprou uma.