Lançamentos

Mistral lança Voxtral 3 com modelos de voz e suporte a agentes em tempo real

Família traz ferramentas de transcrição e síntese com opções a partir de US$ 0,0035 por minuto, além de permitir execução em servidores próprios.

Capa ilustrativa da editoria Lançamentos

Por que importa. Permite que times de produto rodem fluxos completos de voz com diarização e baixa latência sem depender exclusivamente de nuvens americanas nem expor áudio de clientes.

A Mistral lançou nesta terça-feira (20) o Voxtral 3, uma família de modelos de transcrição (STT) e conversão de texto em fala (TTS) projetada para sustentar agentes conversacionais em tempo real. O pacote acompanha um kit de desenvolvimento de software (SDK) que unifica captura de áudio, raciocínio, chamada de ferramentas e geração de fala em um fluxo contínuo de transmissão direta.

Os modelos chegam ao mercado com opções de consumo pela API hospedada na União Europeia ou por meio de implantação local na infraestrutura do próprio cliente. A desenvolvedora francesa direciona a novidade para centrais de atendimento, mesas de suporte e assistentes operacionais, destacando o controle sobre a retenção de dados sensíveis e a soberania regional do processamento.

Transcrição multilíngue e controle de termos

Na camada de escuta, a família conta com o Voxtral Small Transcribe 3 e o Voxtral Mini Transcribe 3, modelo com 4 bilhões de parâmetros que cobra US$ 0,0035 por minuto processado. Ambos cobrem mais de 50 idiomas, incluindo o português, e trazem suporte nativo a diarização para identificar quem está falando em chamadas gravadas ou interações em grupo.

Para reduzir alucinações em vocabulários especializados, a Mistral adicionou suporte a viés contextual, recurso que recebe termos técnicos e nomes próprios em texto puro antes da inferência para forçar o reconhecimento correto. Em benchmarks internos como o FLEURS e o Earnings 22, a empresa afirma que o modelo Small superou concorrentes como Whisper large-v3 e Gemini 3.5 Transcribe na taxa de erro de palavras.

Para cenários de atendimento ao vivo, a empresa disponibilizou o Voxtral Realtime Transcribe 3, variante que opera com latência abaixo de 500 milissegundos em mais de 35 idiomas. O modelo integra previsão nativa de encerramento de turno com base em pistas acústicas e semânticas, mecanismo que identifica quando o usuário parou de falar para evitar interrupções acidentais na chamada.

Síntese expressiva e custos de infraestrutura

Na ponta da emissão de áudio, o Voxtral Mini TTS 3.0 atua em lote ou transmissão em tempo real ao custo de US$ 13 por 1 milhão de caracteres processados. O modelo lê o contexto da frase para modular o tom emocional, o ritmo e a ênfase sem exigir comandos explícitos adicionais, cobrindo 35 idiomas e mais de 50 dialetos regionais, com biblioteca que inclui variantes do português brasileiro.

Para marcas que demandam personalização acústica estrita, a empresa introduziu o recurso Pro Voice, que promete adaptação de fala e reprodução de estilos a partir de 30 minutos de áudio gravado. A ferramenta também permite orientar pronúncias fonéticas específicas para siglas e nomes de produtos que fogem à grafia tradicional.

Embora tenha detalhado o valor de inferência de chamadas na nuvem, a Mistral não divulgou na publicação os requisitos de memória de vídeo nem as licenças comerciais necessárias para rodar os pesos dos modelos de fala de forma totalmente independente em servidores próprios.

Fontes

Reportagem produzida pela redação do Flipters com apoio de inteligência artificial, a partir das fontes acima. Como trabalhamos. Editor responsável: João Paulo Resende.

WhatsAppLinkedInX
Voltar para a edição

Mais em Lançamentos

Ver todas

Quem constrói lê

Receba o Flipters no seu e-mail. A newsletter de IA para quem está tirando produto do papel.