Mistral lança Voxtral 3, pacote completo para agentes de voz em tempo real

O que entra no pacote Voxtral 3

A Mistral AI anunciou em 20 de outubro de 2026 a família Voxtral 3, um conjunto de modelos para montar agentes de voz que conversam em tempo real (The Decoder, 20/10/2026). O pacote reúne três peças.

A primeira é o Voxtral Small Transcribe 3, modelo de transcrição: converte fala em texto (o que o mercado chama de STT, speech to text). A segunda é o Voxtral Mini TTS 3, que faz o caminho inverso, transforma texto em fala (TTS, text to speech), com adaptação emocional no tom de voz. A terceira é um SDK para agentes de voz construído sobre o LiveKit, framework de código aberto usado para transmitir áudio e vídeo em tempo real entre cliente e servidor.

Como funciona o pipeline que escuta, pensa e fala

As três peças rodam numa única esteira de streaming: o áudio chega, é transcrito, processado por um modelo de linguagem que pode acionar ferramentas externas no meio da conversa, e a resposta sai já em voz sintetizada, sem esperar o turno inteiro terminar. Na prática, isso é o que separa um agente de voz usável de uma demonstração: a latência percebida pelo usuário cai porque cada etapa processa em pedaços, não em blocos.

Segundo a Mistral, os agentes conseguem chamar sistemas externos durante a conversa ao vivo, como agendar um compromisso ou consultar uma fatura. Para quem já mexeu com function calling ou tool calling em LLMs de texto, a lógica é a mesma: o modelo decide quando parar de falar e disparar uma chamada de API, só que aqui isso acontece com a pessoa do outro lado ainda na linha, esperando resposta.

Mais de 50 idiomas na entrada, 35 na saída

A transcrição cobre mais de 50 idiomas, segundo a Mistral. Já a síntese de voz suporta mais de 35 idiomas e 50 dialetos, com a tal adaptação emocional mencionada acima, o modelo ajusta entonação conforme o contexto da fala. A fonte não detalha a lista completa de idiomas nem confirma dialetos específicos do português, então quem for avaliar o produto para atendimento no Brasil precisa testar a cobertura na prática antes de prometer algo ao cliente final.

Rodar na UE ou na própria infraestrutura: o que muda pra quem decide

A Mistral diz que o sistema pode rodar na infraestrutura do próprio cliente ou por meio de APIs hospedadas na União Europeia, para manter os dados sob controle de quem contrata. Essa escolha importa para dois perfis de leitor.

Para quem desenvolve, muda o desenho da arquitetura: hospedar em casa exige equipe para subir e manter os modelos, enquanto consumir a API na UE tira esse peso mas adiciona latência de rede e dependência de um provedor fora do Brasil. Para o gestor que decide onde a IA entra, a opção de self-hosting responde a uma pergunta recorrente em setores como saúde e financeiro: onde fica a gravação da ligação do paciente ou do cliente, e sob qual jurisdição.

Nenhuma das duas opções, por si só, garante conformidade com a LGPD. A diferença é que rodar localmente tira a transferência internacional de dados da equação, algo que times jurídicos de empresas brasileiras costumam cobrar antes de aprovar um fornecedor de voz que lida com dados sensíveis.

Quanto custa e como testar

A Mistral informou preço inicial de 0,0035 dólar por minuto de transcrição. A empresa não divulgou, na fonte consultada, o valor da síntese de voz nem o custo do uso do SDK de agente completo, só o preço do componente de transcrição isoladamente. Mais detalhes estão na documentação oficial da Mistral, citada pela própria empresa no anúncio (The Decoder, 20/10/2026).

Para quem já usa a API da Mistral em projetos de texto, a entrada deve seguir o mesmo padrão de chave de API e cobrança por uso. Para quem nunca testou, o caminho mais rápido é rodar a transcrição isolada primeiro, medir custo e precisão com o idioma que interessa, e só depois acoplar o SDK de agente completo com o LiveKit.

O que ainda não dá para saber

A fonte não traz benchmark de latência nem comparação de qualidade de voz contra concorrentes como ElevenLabs ou o pacote de voz da OpenAI. Também não fica claro se os modelos Voxtral 3 têm pesos abertos, o que mudaria bastante a conta de quem quer rodar localmente sem depender da API. Até a documentação oficial trazer esses números, qualquer comparação de custo ou qualidade fica por conta de quem testar o produto na prática.

Fonte: The Decoder