A Mistral anunciou o Voxtral 3 em 20 de outubro de 2026, adicionando uma pilha de voz para agentes de voz em tempo real que funciona pela sua API e também oferece opções de implantação própria, como configurações on-premises e em nuvem privada.
Segundo a publicação de lançamento da Mistral, a versão inclui transcrição multilíngue, conversão de texto em fala, detecção de turnos, raciocínio e chamadas de ferramentas em um pipeline de streaming baseado em LiveKit, além de um SDK de agente de voz para conectar esses componentes.
A Mistral afirma que a pilha oferece suporte à transcrição em mais de 50 idiomas, enquanto a saída de fala abrange mais de 35 idiomas e mais de 50 dialetos. Ela também oferece clonagem de voz a partir de cerca de 30 minutos de áudio de origem. Os preços publicados começam em $0.0035 por minuto de transcrição e $13 por milhão de caracteres de texto em fala.
Para quem desenvolve, isso significa testar um único fornecedor para escuta, geração de respostas e saída falada, em vez de integrar serviços separados de STT e TTS. Uma ressalva: os próprios materiais da Mistral não concordam totalmente sobre a cobertura de transcrição em tempo real, então equipes que miram localidades específicas devem confirmar o suporte a idiomas antes de migrar.