Mistral lança a família Voxtral 3: transcrição offline, em tempo real e síntese de voz

O que foi lançado e quando

A Mistral AI confirmou o lançamento da família Voxtral 3 em 20 de outubro de 2026. Esta nova geração de modelos de áudio inclui quatro variantes específicas: Voxtral Small Transcribe 3, Voxtral Mini Transcribe 3, Voxtral Mini Transcribe Realtime 3 e Voxtral TTS 3. O anúncio oficial foi realizado através dos canais de comunicação da empresa e é suportado pela documentação técnica publicada no seu portal de desenvolvedores.

A disponibilidade inicial é em formato de pré-visualização pública (public preview) através da API da Mistral. Isso significa que os modelos já estão acessíveis para os desenvolvedores, mas podem estar sujeitos a mudanças na interface ou nas especificações durante o período de pré-lançamento. Não foram publicados pesos baixáveis para implantação local neste momento; o acesso é exclusivamente hospedado pelo fornecedor.

Variantes, modalidades e acesso

A família Voxtral 3 divide-se em duas categorias principais: transcrição de voz para texto (STT) e síntese de texto para voz (TTS). Dentro da transcrição, existem três variantes: Small, Mini e Mini Realtime. A variante Small está orientada para ficheiros de áudio gravados, enquanto a Mini oferece uma alternativa mais leve para o mesmo propósito. A variante Mini Realtime foi desenhada especificamente para fluxos de áudio ao vivo através de WebSocket, permitindo a transcrição incremental.

O modelo Voxtral TTS 3 encarrega-se da geração de áudio a partir de texto. Diferentemente das versões anteriores, esta iteração inclui capacidades de clonagem de voz através de uma referência de áudio opcional. O acesso a todos os modelos é realizado através da API da Mistral, utilizando identificadores versionados específicos para cada variante, o que permite aos desenvolvedores fixar a versão exata que desejam utilizar nas suas aplicações.

O que muda para o utilizador

Para as equipas de desenvolvimento, a principal novidade é a unificação da oferta de áudio sob uma mesma família com capacidades melhoradas. A transcrição agora inclui de forma nativa a diarização (separação de falantes) e a possibilidade de aplicar viés contextual (context bias) para melhorar a precisão em vocabulário especializado, como nomes próprios ou terminologia técnica.

No caso da síntese de voz, a introdução da clonagem de voz representa uma mudança significativa em relação às versões anteriores, que se limitavam a vozes preestabelecidas. No entanto, é importante destacar que, no lançamento, as instruções de estilo livres não estão disponíveis; a personalização é realizada através de etiquetas de emoção e da referência de voz. Além disso, foi lançado um SDK de agentes de voz baseado em LiveKit, que facilita a integração destas capacidades em aplicações conversacionais.

Preço, limites e o que falta por verificar

A estrutura de preços do Voxtral 3 baseia-se no consumo de áudio ou texto, não em tokens. Para a transcrição, os custos oscilam entre 0,0035 USD e 0,008 USD por minuto de áudio, dependendo da variante (Mini é a mais económica, enquanto a Realtime tem um custo superior devido à complexidade do processamento ao vivo). A síntese de voz tem um custo de 13 USD por milhão de caracteres.

Quanto aos limites técnicos, a documentação oficial indica que os modelos de transcrição suportam até 50 idiomas, enquanto o modelo de tempo real especifica 45 idiomas e dialetos. Existe uma discrepância menor na documentação sobre o tamanho de contexto: as fichas de modelo indicam 32k tokens, enquanto o guia de limites de áudio menciona 65.536 tokens partilhados. Os desenvolvedores devem validar o limite específico do seu endpoint contratado antes de implementar aplicações que gerenciem sessões de áudio muito longas.

Considerações técnicas e de privacidade

Ao trabalhar com áudio em tempo real, é crucial gerir corretamente as reconexões e a deteção de fim de turno para evitar a perda de dados ou a interrupção prematura das conversações. A deteção de falantes no Voxtral 3 é uma função de diarização, não de identificação biométrica; portanto, não deve ser utilizada para verificar a identidade das pessoas de forma definitiva.

Do ponto de vista da privacidade, o áudio processado pode conter dados pessoais sensíveis. Os desenvolvedores devem implementar políticas de retenção de dados claras, informar os utilizadores sobre o tratamento da sua voz e assegurar-se de que a clonagem de voz é utilizada com o consentimento explícito da pessoa cuja voz está a ser replicada. Não se deve utilizar a clonagem para suplantar identidades nem para fins fraudulentos.

Continue a explorar

Correções e transparência

Se encontrar informação incorreta ou desatualizada, envie-nos a página e a fonte que devemos rever.