Mistral AI apresenta o voxtral 3 com transcrição de voz, tts e sdk de agente de voz

A Mistral AI lançou o Voxtral 3, uma família de modelos de voz combinada com um SDK de agente de voz. O lançamento inclui três modelos de transcrição, um modelo de texto para fala e um SDK construído sobre o LiveKit. Todos os quatro modelos estão em pré-visualização pública através da API da Mistral. Os modelos de transcrição suportam a diarização e o viés contextual, com a transcrição em lote cobrindo 50 idiomas, incluindo 24 idiomas oficiais da UE. O SDK opera como um pipeline de streaming com três estágios, permitindo a transcrição, o raciocínio e a geração de fala em tempo real. O Voxtral Speech 3 responde no tom da conversa, com cada turno sendo concluído em menos de um segundo. As métricas de desempenho do Voxtral 3 incluem 2,1% de AA-WER para o modelo Small, colocando-o em segundo lugar atrás do Fun-Realtime-ASR-preview. O modelo em tempo real no FLEURS 35 tem um WER de 5,7% a 2.400 ms, com menor precisão em latências mais curtas. O Voxtral Speech 3 custa US$ 13 por 1 milhão de caracteres, superando concorrentes como o OpenAI TTS-1 e o ElevenLabs Flash. O modelo oferece controles explícitos para emoção, ritmo e ênfase, com o Pro Voice adaptando o estilo do falante a partir de 30 minutos de áudio. Os modelos da Mistral estão disponíveis nos pontos de extremidade europeu, americano e global, com o OpenRouter também listando-os.