A francesa Mistral lançou o Voxtral 3, nova família de modelos de transcrição e geração de voz, junto com um SDK para agentes de voz. A ideia é juntar em um só fluxo em tempo real o que um atendente automático precisa fazer: ouvir, raciocinar, chamar sistemas e responder falando. Segundo a empresa, o conjunto está disponível pela API hospedada na Europa ou para instalação em infraestrutura própria.

Cinco modelos, três para ouvir e dois para falar

Para transcrição são três modelos: Voxtral Mini Transcribe 3 (áudio gravado), Voxtral Small Transcribe 3 (mais preciso) e Voxtral Mini Transcribe Realtime 3, pensado para legendas ao vivo e agentes. Para fala, entram o Voxtral TTS 3, que converte texto pronto, e o Voxtral TTS Realtime 3, que gera voz durante a conversa.

A cobertura de idiomas cresceu bastante. Os modelos de transcrição de áudio gravado passam de 13 para 50 idiomas, e a versão em tempo real cobre 45 línguas e dialetos. Na geração de voz, o salto é de nove para 35 idiomas e mais de 50 dialetos. As vozes prontas estão disponíveis em 18 idiomas, e o português do Brasil está na lista.

A Mistral afirma que a versão Small supera Whisper, Scribe v2 e Gemini 3.5 Transcribe em testes próprios de transcrição multilíngue e identificação de quem fala. São avaliações da própria empresa, ainda sem reprodução independente.

Mais controle sobre a voz

Na fala, o desenvolvedor pode usar etiquetas para 34 emoções e duas velocidades, além de definir como nomes e termos técnicos devem ser pronunciados. O modelo também usa o áudio de trocas anteriores para ajustar o tom da resposta. Instruções de estilo em linguagem comum não existem no lançamento.

Há ainda o Pro Voice, que reproduz o estilo e a gama emocional de uma pessoa em vários idiomas a partir de cerca de 30 minutos de áudio.

Na transcrição ao vivo, o modelo ganha identificação de quem está falando e detecção de fim de fala, útil para o agente decidir quando responder. Os dois recursos não rodam na mesma sessão. E há uma perda: os modelos novos não entregam mais carimbo de tempo por palavra, só por segmento, o que obriga quem faz legenda a usar outra ferramenta de alinhamento.

O SDK de agentes de voz

O Voice Agents SDK foi construído sobre o LiveKit e liga transcrição, modelo de linguagem, chamada de ferramentas e voz em um único pipeline. O agente pode consultar informações, checar uma conta ou marcar um horário em sistemas da empresa, e o usuário pode interrompê-lo enquanto ele fala. Cada etapa usa um modelo separado, então dá para trocar o modelo de linguagem ou a voz sem reescrever o agente. O SDK roda em aplicações de navegador; integração com telefonia, no lançamento, é só para clientes corporativos.

Quanto custa

A transcrição em lote do Mini custa US$ 0,0035 por minuto, e a versão em tempo real, US$ 0,008 por minuto. A geração de voz sai por US$ 13 por milhão de caracteres, valor que a Mistral compara com OpenAI TTS-1, Deepgram, ElevenLabs Flash e Gemini Flash.

O que isso significa no Brasil

Para empresas e desenvolvedores brasileiros, o ponto central é ter voz pronta em português do Brasil num pacote que pode rodar em infraestrutura própria, o que ajuda em exigências de dados como a LGPD. Preços em dólar pesam no custo final de quem opera em reais. E, como todo agente que age em nome de alguém, ele precisa de limites: vale ler antes o nosso guia Agente de IA no PC: permissões que você não deve marcar.