Voxtral 3: Mistral coloca quatro modelos de fala e uma API de agente de voz no mesmo medidor

O número interessante no lançamento da Mistral de 20 de outubro não é uma taxa de erro de palavras. É $0,04 por minuto. É o que a empresa cobra por um Voxtral 3 como agente de voz — um pipeline ponta a ponta que ouve quem liga, raciocina sobre o que a pessoa disse com Mistral Small 4, chama ferramentas e responde. Some as partes que a Mistral vende separadamente e o mesmo minuto custa mais: Voxtral Mini Transcribe Realtime 3 a $0,008, mais Voxtral Mini T​TS 3 a cerca de $0,02 para um ritmo normal de fala, mais o modelo de raciocínio por cima. O minuto empacotado é o produto. Todo o resto — Voxtral Small Transcribe 3, Voxtral Mini Transcribe 3, Voxtral Mini Transcribe Realtime 3, Voxtral Speech 3 — é vendido como um componente que você pode comprar à la carte, e como uma forma de mostrar que os componentes são bons o bastante para valer a pena serem empacotados. Os pipelines de agentes de voz falham de maneiras que as tabelas de preços nunca mencionam, e os incidentes registrados estão catalogados em o OrcaRouter AI Incident Archive onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e sinalizador de disputa.

O que é realmente novo, modelo a modelo

Esta é uma renovação da família, não um modelo com um incremento de versão. Cada peça tem uma função distinta e um preço distinto, e a divisão importa mais do que o nome compartilhado.

• Voxtral Small Transcribe 3 — o nível de precisão. $0.004 por minuto, contexto de 32k e a alegação principal da Mistral para transcrição com diarização. Também faz tradução, perguntas e respostas por voz, sumarização e chamada de funções, o que o torna o único membro da família mais próximo de um modelo de linguagem e áudio do que de um transcritor.

• Voxtral Mini Transcribe 3 — 4 bilhões de parâmetros, $0.0035 por minuto, contexto de 32k. A Mistral divulga o tamanho deste modelo e omite o do modelo Small. Vale a pena notar essa assimetria: o modelo mini é o que está sendo posicionado para volume e implantação em edge, então seu footprint é um argumento de venda; o do carro-chefe não é divulgado.

• Voxtral Mini Transcribe Realtime 3 — streaming via WebSocket a US$ 0,008 por minuto, com latência configurável de 80 ms a 2.400 ms e detecção de fim de turno que combina pistas acústicas e semânticas em vez de esperar pelo silêncio. A documentação diz “abaixo de 500 ms”; o limite mínimo configurável é muito inferior a isso, e o custo em precisão de usar valores baixos é significativo — consulte a seção de benchmark.

• Voxtral Speech 3 (vendido na documentação como Voxtral Mini T​TS 3) — US$ 13 por milhão de caracteres, cerca de 90 ms até o primeiro áudio, 34 tags de emoção e duas tags de ritmo, nove idiomas, clonagem de voz zero-shot e "profissional". A página de lançamento da Mistral indica 30+ minutos de áudio de referência para a clonagem.

Na base está o SDK de agente de voz, construído sobre LiveKit e ASR, LLM e TTS em streaming como um único pipeline. Ele recebe chamadas SIP, sessões WebRTC e troncos de telefonia ou IVR existentes, suporta barge-in e permite trocar o modelo de raciocínio, a voz ou o idioma sem reconstruir o agente. A Mistral afirma latência de turno abaixo de um segundo.

A tabela de benchmark, leia com atenção.

A Mistral publicou seus próprios números, e são bons números. No FLEURS 45, na métrica de taxa de erro de palavra com média macro, o Voxtral Small Transcribe 3 fica em 4,1% com idioma forçado e 4,0% com idioma inferido. O Voxtral Mini Transcribe 3 está em 4,6% / 4,5%. Para comparação, na mesma tabela do fornecedor: Gemini 3.5 Transcribe em 6,1% / 4,5%, Scribe v2 em 4,9%, GPT Transcribe em 6,3% / 5,6%, e Whisper large-v3 em 16,0% / 14,9%.

Duas coisas nessa tabela merecem uma segunda olhada. Primeiro, o MAI-Transcribe-2 da Microsoft está em 4,1% / 4,0% — idêntico ao Voxtral Small Transcribe 3, até a casa decimal. Uma tabela de fornecedor em que o modelo carro-chefe empata exatamente com seu concorrente mais próximo é ou um empate honesto ou um empate arredondado; a Mistral não diz qual dos dois. Segundo, o número do Whisper não é o número que os outros citam para o Whisper. O Whisper large-v3 obtém 7,44 de WER médio no Open ASR Leaderboard, e a variante Turbo, 4,6% no painel independente da Artificial Analysis. Dezesseis por cento é como o Whisper se sai especificamente em áudios multilíngues difíceis do FLEURS, não como ele se sai em inglês de produção. Usar o recorte disponível mais severo para um concorrente é uma jogada de marketing normal, mas é uma jogada de marketing.

O ranking independente conta uma história mais precisa. O Artificial Analysis tem o Voxtral Small Transcribe 3 com 2,1% de AA-WER e o Voxtral Mini Transcribe 3 com 2,2% — primeiro e segundo lugares no ranking não streaming até o momento desta redação, com o MAI-Transcribe-2 em 2,0% na posição acima deles, dependendo de quando o ranking é consultado. Esses valores estão próximos o suficiente para que a ordem mude em novas execuções. Qualquer pessoa que aponte um vencedor com base em uma diferença de 0,1 ponto está citando ruído.

Onde o nível em tempo real devolve precisão

Os números de streaming são a coisa mais útil que a Mistral publicou, porque são os menos lisonjeiros. No FLEURS 35, a linha de base offline do Voxtral Mini Transcribe 3 é de 4,0% de WER. O modelo em tempo real degrada-se monotonicamente à medida que se lhe pede para responder mais cedo:

• Latência de 2.400 ms — WER de 5,7%

• 960 ms — 6,0%

• 480 ms — 6,4%

• 240 ms — 7,4%

Em contrapartida, a Mistral lista o Gemini 3.5 Realtime Transcribe com 4,2%, o nível de streaming da Microsoft com 5,8%, o GPT Live Transcribe com 8,4% e o Scribe v2 Realtime com 8,7%. Então, a leitura honesta é: com uma latência confortável de 2,4 segundos, o nível em tempo real do Voxtral é competitivo com a Microsoft e supera os modelos de streaming da OpenAI e da ElevenLabs, mas não supera o da Google e, a 240 ms, é pior que tudo, exceto os dois modelos na lanterna. O destaque de menos de 500 ms é real; só custa cerca de três pontos de precisão em relação a processar o mesmo áudio offline.

A diarização é onde a família parece mais forte e onde a tabela de fornecedores faz o trabalho mais pesado. No WER concatenado de permutação mínima, a Mistral relata 18,4% para o Voxtral Small Transcribe 3, 18,6% para o Mini, 19,0% para o Pyannote Orchestrator Precision 3, 20,3% para o MAI-Transcribe-2 e 38,4% para o G​emini 3.5 Transcribe. Uma diferença de 20 pontos em relação ao G​emini na atribuição de falante é o tipo de número que decide um produto — transcrição de reuniões, QA de chamadas —, mas é o harness de um fornecedor contra o modelo de outro fornecedor, e nenhum terceiro o reexecutou.

O que a precificação compra, em horas

O faturamento por minuto é fácil de comparar e fácil de errar quando a alternativa é por token. Convertido para mil horas de áudio, o que equivale aproximadamente ao mês de um contact center de médio porte:

• Voxtral Mini Transcribe 3 — US$ 210 por 1.000 horas a US$ 0,0035/min

• Voxtral Small Transcribe 3 — $240 por 1.000 horas a $0,004/min

• Voxtral Mini Transcribe Realtime 3 — $480 por 1.000 horas a $0,008/min

• API de agente de voz com raciocínio do Mistral Small 4 — US$ 2.400 por 1.000 horas de conversa a US$ 0,04/min

O nível de agente custa de cinco a onze vezes o preço do nível de transcrição, o que é a ordem de grandeza correta quando você lembra que ele inclui o modelo de raciocínio e a síntese de fala. É também onde está a margem, e o posicionamento da Mistral — verificação de identidade, conferência de faturas, agendamento de compromissos — é escolhido para chamadas em que uma tarefa concluída vale mais do que um minuto de computação.

Uma ressalva estrutural sobre toda a lista de preços: todo modelo aqui está em prévia pública, não em GA, e o preço de prévia, quando anunciado verbalmente, historicamente tem mudado. Não há compromisso publicado de que $0.0035 permaneça $0.0035.

O que a Mistral não lançou

Sem pesos. A página de lançamento diz que o Voxtral 3 está disponível por meio da API da Mistral com endpoints na UE, nos EUA e globais, e “para implantação por conta própria na sua própria infraestrutura” — mas não publica licença, nem contagem de parâmetros para três dos quatro modelos, nem repositório no Hugging Face. Para contexto, os lançamentos anteriores de fala da Mistral eram baixáveis: Voxtral Small 24B 2507 é Apache 2.0 no Hugging Face, Voxtral 4B T​TS 2603 é CC-BY-NC-4.0, e Voxtral Mini 4B Realtime Arabic foi publicado em 8 de outubro sem nenhuma licença declarada. Este lançamento é a primeira geração Voxtral sem nenhum membro baixável. A implantação por conta própria, aqui, soa como um contrato empresarial, não como um download.

Também estão ausentes: qualquer duração máxima de áudio, qualquer valor de contexto para os níveis de TTS ou de agente, e qualquer detalhe de retenção ou residência de dados além das regiões de endpoint. Se você está avaliando isso para gravação regulamentada de chamadas, essas três lacunas são as que devem ser esclarecidas em uma conversa de aquisição, e não a partir do post de lançamento.

Como realmente experimentar

O Voxtral 3 não está no catálogo da OrcaRouter hoje, então o caminho para avaliá-lo é a própria API da Mistral e os playgrounds do Studio, que cobrem transcrição, geração de fala, clonagem de voz e o pipeline de agentes. Onde um roteador realmente ajuda é na segunda metade da decisão: você quase nunca quer uma única stack de fala, e colocar o modelo de raciocínio que lida com as chamadas de ferramentas do seu agente por trás de um único endpoint significa que você pode comparar o Mistral Small 4 com uma dúzia de outros modelos na mesma transcrição sem reconstruir o pipeline. A OrcaRouter repassa os preços de tabela dos provedores com 0% de markup e faz failover entre provedores automaticamente, o que importa mais exatamente nesta situação — um modelo de camada de preview sem histórico de uptime à frente.

A ordem prática de avaliação, se você for fazer isso esta semana: rode seu próprio áudio de pior qualidade pelo Voxtral Small Transcribe 3 e pelo MAI-Transcribe-2 nos mesmos 200 arquivos, porque os dois fornecedores divulgam a mesma pontuação no FLEURS e só o seu áudio pode desempatar. Depois, rode o nível em tempo real a 960 ms e a 2.400 ms e conte com que frequência o detector de fim de turno interrompe o chamador no meio da frase — esse modo de falha custa mais em um agente ao vivo do que qualquer diferença de WER nesta família. Em seguida, precifique o minuto do agente com base na sua taxa de contenção, não na sua conta de transcrição.

O que assistir

Três coisas vão decidir se este lançamento envelhece bem. Repetições independentes da alegação de diarização, que é o único número do lançamento que mudaria genuinamente uma decisão de compra. Se os pesos vão aparecer, porque um Voxtral disponível para download tornar-se-ia imediatamente a opção aberta predefinida para diarização em línguas europeias e minaria todo o argumento de preço acima. E se a latência sub-segundo do agente se mantém em telefonia real, e não numa demonstração de uma carta de encaminhamento francesa — o barge-in e a deteção de fim de turno são onde os agentes de voz costumam falhar, e nenhum dos dois resiste como evidência a um post de blogue de fornecedor.