Voxtral 3 TTS vs Voxtral 4B TTS: O Modelo Mais Novo Que Você Não Pode Baixar

O fato incômodo sobre o Voxtral 3 T​TS é que ele é melhor que o Voxtral 4B T​TS em quase todos os aspectos mensuráveis e pior no único aspecto que decide algumas implantações: você não pode tê-lo. A Mistral lançou o Voxtral 4B T​TS em 23 de março de 2026 como pesos abertos — mistralai/Voxtral-4B-T​TS-2603 no Hugging Face, CC BY-NC 4.0, baixável e executável em seus próprios aceleradores. O Voxtral 3 T​TS chegou em 20 de outubro de 2026 apenas como produto de API. A página de lançamento descreve endpoints da UE, dos EUA e globais, playgrounds do Studio e implantação própria em infraestrutura privada, e não afirma em momento algum que os pesos estão disponíveis. Portanto, o sucessor de sete meses é melhor em 127 pontos Elo no painel de escuta cega (1.217 contra 1.090), 19% mais barato a US$ 13 contra US$ 16 por milhão de caracteres, e cerca de 42% mais rápido a 112 contra 79 caracteres por segundo — e ainda não é um substituto direto do modelo que substitui, porque o mais antigo é o único membro desta família que uma empresa pode de fato possuir. As falhas de IA e os incidentes com agentes documentados por trás de lançamentos como este estão reunidos no OrcaRouter AI Incident Archive onde cada entrada traz suas próprias fontes, severidade, grau de confiança e sinalizador de disputa.

Dois modelos, sete meses, um limite de licença

Vale a pena enunciar essa fronteira com precisão antes de qualquer benchmark, porque ela reordena toda a comparação.

• Voxtral 4B T​TS — pesos abertos sob CC BY-NC 4.0. Não comercial. Você pode baixá-lo, inspecioná-lo, executá-lo e ajustá-lo fine-tune; não pode distribuí-lo dentro de um produto pago. A restrição é herdada dos conjuntos de dados de vozes de referência por trás dele, não de qualquer limitação técnica do checkpoint. Hospedá-lo em infraestrutura própria para avaliação interna é permitido; hospedá-lo em um serviço comercial voltado ao cliente não é.

• Voxtral 3 TTS — fechado. Nenhum peso publicado até 21 de outubro de 2026. “Implantação própria em infraestrutura privada ou em uma nuvem privada” na página da Mistral é uma oferta de implantação empresarial negociada com o fornecedor, não um link para download, e confundir as duas é o erro mais fácil de cometer ao ler essa página rapidamente.

A consequência prática: se o seu motivo para querer o Voxtral 4B T​TS era que o áudio nunca sai da sua rede, o Voxtral 3 T​TS não o substitui, a menos que você assine algo com a Mistral. Se o seu motivo era que ele era mais barato do que uma API hospedada, o Voxtral 3 T​TS o substitui em preço e o supera em qualidade, e a questão da licença desaparece porque você está comprando um serviço, e não um arquivo. O mesmo intervalo de sete meses se resolve de forma diferente dependendo de qual dessas duas frases descreve a sua situação.

O placar

• Elo de Voz do Provedor — Voxtral 3 TTS: 1.217 (#13 de 98), intervalo de 95% 1.202–1.232. Voxtral 4B TTS: 1.090 (#46), intervalo 1.078–1.102. Ambos segundo a Artificial Analysis, leitura de 21 de outubro de 2026.

• Preço por 1 milhão de caracteres — US$ 13,00 versus US$ 16,00. A aproximadamente 900 caracteres por minuto falado, US$ 0,70 contra US$ 0,86 por hora.

• Taxa de transferência — mediana de 112 caracteres por segundo versus 79, medida pela Artificial Analysis no host nativo de cada modelo.

• Idiomas — Voxtral 3 T​TS: 35+ idiomas e 50+ dialetos, predefinições em 18. Voxtral 4B T​TS: 9 idiomas — inglês, francês, alemão, espanhol, holandês, português, italiano, hindi, árabe, com suporte a dialetos.

• Adaptação de voz — Voxtral 3 T​TS: "Pro Voice", 30 minutos de áudio. Voxtral 4B T​TS: um prompt de referência de 5–25 segundos, descrito no card do modelo como apenas 3 segundos.

• Pesos — fechados versus abertos (CC BY-NC 4.0).

A linha de idiomas é a maior mudança sobre a qual ninguém escreveu. O Voxtral 4B T​TS cobre nove idiomas; o novo modelo afirma cobrir mais de 35 idiomas e mais de 50 dialetos. Isso é uma expansão de quatro vezes do produto, e é um argumento mais forte para a atualização do que o Elo — 127 pontos levam você do meio da tabela ao meio da tabela, mas passar de nove idiomas para trinta e cinco muda em quais mercados você pode vender.

A linha de adaptação de voz vai na direção oposta e é a única regressão genuína. O Voxtral 4B TTS clona a partir de um clipe de referência curto — segundo a ficha do modelo, a partir de apenas três segundos, com a arquitetura descrevendo uma janela de prompt de 5 a 25 segundos. O Pro Voice do Voxtral 3 TTS exige trinta minutos de áudio para reproduzir o caráter, a gama emocional e o estilo de um falante em diferentes idiomas. Trinta minutos é uma sessão de estúdio. Três segundos é um recurso. Se o seu produto permite ao usuário ouvir a própria voz, o modelo mais novo é pior nessa tarefa.

O que o 4B realmente é, por baixo do capô

O número de parâmetros no nome do modelo antigo descreve uma arquitetura real e explica tanto os seus pontos fortes como por que o sucessor não é simplesmente uma versão maior dele.

O Voxtral 4B TTS tem aproximadamente quatro bilhões de parâmetros em três partes: um backbone decodificador transformer de 3,4B construído sobre o Ministral 3B, um transformer acústico de flow matching de 390M e um codec de áudio neural de 300M. Ele é autorregressivo sobre um codec VQ semântico com vocabulário de 8.192 tokens, alimentando uma cabeça de flow matching que prevê características acústicas FSQ em 36 dimensões com 21 níveis, operando a 12,5 Hz. Em termos simples: um pequeno modelo de linguagem lê o texto e planeja, uma rede de flow matching transforma esse plano em características de áudio, e um codec transforma características em amostras. Ele gera nativamente até dois minutos, com saídas mais longas tratadas por intercalação na API.

O valor publicado pela Mistral para o modelo de março foi de 70 milissegundos de latência do modelo para uma amostra de voz de 10 segundos e 500 caracteres, com um fator de tempo real de cerca de 9,7x. Esses números foram medidos na stack de serving da Mistral, não de forma independente, e descrevem um modelo que era genuinamente rápido para sua geração. A vazão do modelo de outubro no Artificial Analysis, de 112 caracteres por segundo contra 79, sugere que o sucessor é ainda mais rápido — mas a Mistral não publica nenhum tempo até o primeiro áudio para o Voxtral 3 T​TS, o que é uma omissão estranha para uma empresa cujo modelo TTS anterior se destacava por divulgar um número de latência.

Duas gerações de arquitetura também são visíveis na contagem de idiomas. Nove idiomas em março, mais de trinta e cinco em outubro, com os modelos de transcrição da família alegando cobrir todos os 24 idiomas oficiais da UE. O que quer que tenha mudado entre os dois checkpoints mudou os dados de treinamento e a cobertura do tokenizer muito mais do que mudou a pilha acústica.

Quem deve manter os 4B, e quem deve se mover

Mantenha o Voxtral 4B TTS se qualquer uma destas condições for verdadeira. Você precisa que o áudio seja processado em hardware que você controla e não consegue negociar uma implantação privada. Você está fazendo pesquisa ou avaliação, em que a CC BY-NC 4.0 permite o uso e a licença não custa nada. Você precisa de clonagem de voz com referência curta — três segundos contra trinta minutos não é uma escolha difícil. Você está trabalhando em um dos nove idiomas que ele cobre e a qualidade é suficiente; nesse caso, um checkpoint gratuito que você já executa vale mais do que um melhor que você tem de chamar.

Mude para o Voxtral 3 TTS se qualquer uma destas condições for verdadeira. Está a vender o resultado e, por isso, nunca teve permissão para alojar o 4B em self-hosting para fins comerciais — caso em que já estava na API de $0,016 por mil caracteres, e os novos $13 por milhão são 19% mais baratos para um modelo 127-Elo melhor, o que é a atualização mais fácil deste artigo. Precisa de um idioma fora dos nove originais. Precisa da stack de agentes: o Voxtral 3 TTS vem com um SDK de agentes de voz baseado em LiveKit, suporte a SIP e WebRTC, turnos de agente abaixo de um segundo e um preço de pacote por minuto de $0,04 com raciocínio do Mistral Small 4, nada do que existia no modelo de março.

Há um terceiro grupo que deveria usar ambos, e é maior do que parece: equipes que criam protótipos no checkpoint aberto e fazem o serving pela API. O Voxtral 4B T​TS oferece um modelo local para testar prompts, vozes e modos de falha sem custo por chamada e sem que dados saiam da organização; o Voxtral 3 T​TS oferece o endpoint de produção com a cobertura de idiomas e a licença para vender. Os dois compartilham uma linhagem familiar, mas não uma superfície de API, então planeje que os prompts precisarão ser reajustados — uma diferença de qualidade de 127 pontos é um modelo diferente, não um upgrade de versão, e controles de direção que se comportavam de uma forma no 4B não necessariamente serão transferidos.

Se o caminho de produção precisa resistir a uma indisponibilidade de fornecedor, esse é o argumento para colocar a chamada de síntese atrás de um roteador em vez de chamar a Mistral diretamente. O OrcaRouter oferece um único endpoint compatível com OpenAI para mais de 200 modelos com o preço de tabela do provedor repassado com 0% de margem, então uma indisponibilidade em um backend de síntese faz failover em vez de ficar em silêncio — e um pipeline de voz que renderiza lotes noturnos é exatamente a carga de trabalho em que um endpoint morto custa uma noite, e não uma solicitação. Os modelos da Mistral podem ser acessados pela própria API da Mistral e por várias plataformas de terceiros; consulte o catálogo para verificar a disponibilidade atual antes de projetar em torno de um ID de modelo específico.

A pergunta que a Mistral não respondeu

O Voxtral 3 T​TS terá pesos abertos? O modelo de março teve, sob uma licença não comercial, e se tornou o ponto de referência para o que um checkpoint de T​TS aberto de um laboratório europeu parece. Nada no lançamento de outubro repete isso. A página é explícita sobre acesso via API e implantação privada, e silencia sobre downloads, o mesmo padrão que a Mistral usou para vários de seus modelos de texto antes de liberar os pesos meses depois.

Se os pesos forem de fato disponibilizados, a comparação muda por completo: os termos da licença é que vão decidir se o modelo aberto pode ser usado comercialmente, e o precedente — CC BY-NC 4.0 — sugere que não poderá. Isso deixaria a situação praticamente como está agora, com o modelo baixável sendo um artefato de pesquisa e o utilizável sendo um serviço.

A outra pergunta sem resposta é se o 4B manterá sua listagem na API. A tabela de preços de fala da Mistral lista a nova família e não menciona o modelo de março, enquanto o Artificial Analysis ainda o acompanha a US$ 16 com um host ativo. Historicamente, a Mistral tem mantido modelos de fala mais antigos disponíveis para chamada por uma longa cauda; se isso se mantiver, as equipes têm um fallback genuinamente útil — um modelo um pouco pior e um pouco mais caro que, ainda assim, é uma implantação diferente. Se não se mantiver, qualquer pessoa que desenvolveu com base em voxtral-mini-tts-latest em março precisa verificar para qual modelo esse alias agora resolve antes da próxima fatura.

Resumo: o Voxtral 3 T​TS é o melhor modelo e o pior ativo. Compre-o pelos idiomas, pela qualidade e pelo stack de agentes; mantenha o Voxtral 4B T​TS para trabalho local, clonagem com referências curtas e os nove idiomas que ele já faz bem. A única migração inequivocamente correta é da API hospedada do 4B para a nova — mesmo fornecedor, mesma postura de licenciamento, mais barata e melhor — e é a única mudança nesta comparação que não custa nada fazer.