Voxtral 3 vs Gemini 3.5 Transcribe: Mistral diz que vence nas palavras — Google vence no restante

No único critério que ambos os fornecedores concordam em divulgar, esses dois ficam a um fio de distância. Voxtral Small Transcribe 3 — transcritor carro-chefe da Mistral, da família Voxtral 3 lançada em 20 de outubro de 2026 — está em 2,1% de taxa de erro de palavra no ranking não streaming da Artificial Analysis. G​emini 3.5 Transcribe, que o G​oogle opera como modelo de disponibilidade geral desde 26 de agosto de 2026, está em 2,6% no mesmo ranking. Cinco décimos de ponto equivalem a cerca de cinco erros extras por mil palavras. Esse não é o motivo para escolher um. Os motivos estão em tudo o que vai além das palavras: o G​emini faz diarização para oito falantes, aceita mil termos de vocabulário personalizado, remove disfluências e resolve autocorreções em uma única passagem, e abrange mais de 85 localidades. O Voxtral faz diarização mensuravelmente melhor segundo sua própria tabela, cobre mais de 50 idiomas e tem preço por minuto menor que o do G​oogle. Esta página trata de quais dessas diferenças realmente chegam ao seu pipeline. As taxas de erro de palavra não registram como a API de transcrição de qualquer um dos fornecedores falha sob carga, e esses incidentes estão catalogados em o OrcaRouter AI Incident Archive onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e indicador de disputa.

O que cada um está vendendo

O posicionamento da Mistral para o Voxtral Small Transcribe 3 combina precisão e atribuição de falantes. É o "modelo principal de transcrição e diarização" da família, faz marcações de tempo e diarização nativamente, e também faz tradução, perguntas e respostas por voz, sumarização e chamada de funções — o que é uma forma discreta de dizer que se trata de um modelo de linguagem de áudio que transcreve, e não de um transcritor. Por $0,004 por minuto, com contexto de 32k, seu preço o posiciona como substituto direto das APIs de transcrição gerenciadas.

O enquadramento do Google para o Gemini 3.5 Transcribe é o que acontece com a transcrição após o reconhecimento. O modo `verbatim` padrão mantém palavras de preenchimento, falsos inícios e repetições; o modo `smart` as remove e aplica formatação estruturada; um vocabulário personalizado favorece o seu jargão; timestamps por palavra retornam como anotações; e rótulos de falante chegam como `spk_1`, `spk_2` e assim por diante. Ele é executado pela Interactions API para arquivos e por uma SKU separada `gemini-3.5-transcribe-live` para streaming, e oferece um nível gratuito que a Mistral não oferece.

Simplificando: a Mistral está vendendo a você um ouvido melhor, o Google está vendendo a você um editor melhor.

Dimensão por dimensão

• Precisão independente — Voxtral Small Transcribe 3 com 2,1% de AA-WER vs. Gemini 3.5 Transcribe com 2,6%, ambos no ranking não streaming da Artificial Analysis. A própria tabela FLEURS da Mistral mostra uma diferença maior: 4,1% de idioma forçado para o Voxtral vs. 6,1% para o Gemini, mas apenas 4,0% vs. 4,5% com idioma inferido. O painel independente concorda com a leitura de idioma inferido, então trate o valor de 6,1% como a ponta solta da tabela da Mistral, e não como a manchete.

• Preço — US$ 0,004/min vs US$ 0,005/min, ambas as tarifas médias de tabela. Isso é US$ 240 vs US$ 300 por mil horas de áudio. Real, mas não decisivo por si só; um delta de 20% é apagado por uma nova execução de um lote ruim.

• Atribuição de locutores — Voxtral Small Transcribe 3 com 18,4% de WER concatenado de permutação mínima no harness da Mistral, contra Gemini 3.5 Transcribe com 38,4% na mesma tabela do fornecedor. Esta é a maior diferença no post de lançamento e a que mais provavelmente importará. Ressalve isso com honestidade: ambos os números são da Mistral, obtidos no harness da Mistral, e o Google não publicou nenhuma pontuação de diarização equivalente para comparação. A documentação do Google, porém, revela um teto rígido que não é um benchmark — oito locutores, com atribuição "experimental" para três ou mais — o que, para transcrição de reuniões, é um limite de produto, não uma questão de qualidade.

• Cobertura linguística — Voxtral: mais de 50 idiomas, incluindo todos os 24 idiomas oficiais da UE e um conjunto de idiomas asiáticos e indianos de baixos recursos. Gemini: mais de 85 localidades com dicas BCP-47 e alternância de código dentro da frase. A lista do Google é mais longa e, mais importante, nomeada — é possível verificar se a sua localidade está nela. O "50+" da Mistral é uma contagem sem uma lista.

• Limites de áudio — O G​emini limita o áudio unário a uma hora, ou a trinta minutos quando você solicita diarização ou timestamps por palavra. A Mistral não publica limite máximo algum de duração de áudio para o Voxtral Small Transcribe 3. Esse silêncio não é um recurso. Se você processa arquivos longos, o G​emini é o único dos dois para o qual você pode dimensionar uma fila de tarefas sem consultar o time de vendas.

• Controle de vocabulário — O G​emini aceita até 1.000 termos personalizados (melhores resultados com até cerca de 100) e alerta explicitamente que o vocabulário personalizado não pode ser combinado com diarização ou timestamps de palavras. O context biasing do Voxtral aceita termos-chave e texto livre, e a Mistral relata recall de frases-chave de 94,6% com prompting vs 81,4% sem. Observe a natureza dessa alegação: é recall com viés, não erros com viés, e é relatado pelo fornecedor.

• Tratamento de autocorreções — O modo `smart` do Gemini resolve autocorreções e normaliza números e valores monetários falados. O Mistral não oferece nenhum modo equivalente documentado. Se o seu áudio for de entrevistas ou de conversas de call center cheias de "não, espera, eu queria dizer", esta é a funcionalidade mais suscetível de determinar a escolha.

• Streaming — O Gemini tem um SKU ativo a aproximadamente US$ 0,009/min em média ponderada. O nível de streaming da Voxtral é um modelo diferente, o Voxtral Mini Transcribe Realtime 3, a US$ 0,008/min com latência configurável de 80 a 2.400 ms. O modelo de streaming de nenhum dos fornecedores é o carro-chefe em precisão, então comparar a precisão do streaming com os números em lote acima é um erro de categoria.

• Maturidade — O Gemini 3.5 Transcribe está em GA desde 26 de agosto de 2026 e tem uma pontuação WER independente em um painel público. O Voxtral Small Transcribe 3 está em pré-visualização pública desde 20 de outubro de 2026, sem histórico de disponibilidade, sem data de GA e sem compromisso publicado de que seu preço de pré-visualização se mantenha.

O número de diarização é o que deve ser testado.

Se há uma única frase nesta comparação que deveria levar você ao seu próprio áudio, é esta: a Mistral afirma 18,4% de erro de diarização contra os 38,4% do Gemini, e o Google não publica nenhum número de contraponto. É uma diferença grande de forma suspeita para uma diferença de classe de precisão — 2,1% vs 2,6% em transcrição simples não prevê uma diferença de 2× na atribuição de falantes. Há duas explicações disponíveis, e somente seus dados as separam. Ou a diarização do Gemini é genuinamente mais fraca, o que se encaixaria no limite documentado de oito falantes e na observação "experimental" para três ou mais falantes, ou o harness da Mistral favorece seu próprio modelo de um modo que uma nova execução neutra não reproduziria.

Teste prático: pegue quarenta minutos do pior áudio com vários falantes que você tem — falas cruzadas, um falante na linha telefônica, pelo menos um trecho em que duas pessoas falam uma por cima da outra — rode os dois e conte as trocas de falante em vez dos erros de palavra. Isso leva uma tarde e resolve uma questão que nenhum dos fornecedores consegue resolver por você.

Quanto os transcritos realmente custam em escala

Faça as contas para uma organização de suporte que grava 4.000 horas por mês. A US$ 0,004/min, o Voxtral Small Transcribe 3 fica em US$ 960. A US$ 0,005/min, o G​emini 3.5 Transcribe fica em US$ 1.200. A diferença mensal de US$ 240 é real e equivale, aproximadamente, ao custo de uma hora de engenheiro por dia útil, que é a forma correta de avaliá-la: significativa em comparação com uma alternativa auto-hospedada cujo custo operacional é zero; irrelevante se o modo `smart` do G​emini eliminar uma etapa de pós-processamento pela qual você pagaria de outra forma.

Essa etapa de pós-processamento é onde a comparação de preços costuma quebrar. Uma transcrição bruta com vícios de linguagem e autocorreções não resolvidas precisa de uma passada de limpeza — seja uma camada de regex que você mantém, seja uma chamada de LLM por arquivo. Uma transcrição limpa, pontuada e com falantes identificados vinda do Gemini não precisa. Se seu pipeline atualmente gasta uma chamada de modelo de linguagem por transcrição para corrigir a formatação, inclua essa chamada na comparação antes de concluir que o Mistral é 20% mais barato.

Para equipes que querem as duas coisas — a diarização da Mistral nas chamadas em que os falantes importam, a limpeza do G​emini no arquivo em massa —, a restrição costuma ser chaves e fornecedores, e não dinheiro. O catálogo de modelos do OrcaRouter atualmente não inclui nem o Voxtral 3 nem o G​emini 3.5 Transcribe, então esse pareamento específico ainda significa dois contratos. Onde ajudamos é na camada acima: o modelo de raciocínio que resume ou encaminha essas transcrições pode vir de um único endpoint com failover automático, para que a escolha do fornecedor de fala não prenda também a escolha do seu modelo downstream.

Veredito

Escolha o Voxtral Small Transcribe 3 se o seu problema forem os falantes e as suas línguas forem europeias — a alegação de diarização, as 24 línguas da UE e a taxa 20% mais baixa apontam todas no mesmo sentido, e 2,1% de WER num painel independente significa que não está a trocar precisão por isso. Escolha o G​emini 3.5 Transcribe se o seu problema for a própria transcrição: autocorreções, formatação, uma grande lista de localidades nomeadas e um limite publicado de duração do áudio com o qual pode planear a capacidade. A única coisa que eu não faria era escolher com base na diferença de 0,5 pontos de WER. É menor do que a variância entre execuções em qualquer painel, e ambos os fornecedores imprimem o número que lhes convém da mesma família de avaliações.

A questão em aberto é o que acontece quando o Voxtral Small Transcribe 3 sair do preview. Se a Mistral mantiver $0.004 e uma nova execução independente de diarização confirmar a diferença de 18 pontos, isso deixa de ser uma disputa acirrada para quem faz análise de reuniões ou chamadas. Se o preço mudar na disponibilidade geral, o argumento volta a se restringir à cobertura de idiomas e à atribuição de falantes apenas.