Mistral Voxtral vs GPT-4o | Benchmark de IA de Voz

Dois Modelos

A Mistral lançou dois checkpoints Apache 2.0 em julho de 2025:

Pesos Abertos e Licença

Os dois checkpoints de 2025 têm pesos abertos sob a licença Apache 2.0. Você pode baixá-los e executá-los por conta própria:

• ✓ Pesos completos do modelo disponíveis
• ✓ Hospede você mesmo ou adapte os modelos dentro dos termos da licença Apache 2.0
• ✓ Sem taxa de API da Mistral na auto-hospedagem; você ainda paga pela sua própria computação
• ✓ Processe o áudio nos seus próprios servidores

Fontes: o anúncio de lançamento do Voxtral da Mistral, o card oficial do modelo Voxtral Small e o card oficial do modelo Voxtral Mini.

Benchmarks

O lançamento da Mistral compara a taxa de erro de palavras (média macro) em conjuntos de inglês de formato curto e longo, Mozilla Common Voice, FLEURS e Multilingual LibriSpeech. Nos resultados de FLEURS divulgados pela Mistral, o Voxtral Small supera o Whisper em todas as tarefas avaliadas. Quanto menor o WER, melhor:

WER no FLEURS dos benchmarks de lançamento da Mistral em relação ao preço estimado da API; tanto os resultados dos benchmarks quanto os preços podem mudar

O FLEURS é só um recorte da qualidade de transcrição. São resultados divulgados pelo próprio fornecedor, então compare as definições publicadas dos benchmarks e teste seus próprios idiomas, microfones e condições de gravação antes de escolher um modelo.

Voxtral vs Whisper: Qual Você Deve Usar?

Os benchmarks contam só uma parte da história. Veja como as duas famílias de modelos se comparam nos fatores que importam se você realmente quiser rodar uma delas:

O veredito: o Voxtral Small divulga resultados de WER fortes e adiciona uma compreensão de áudio que o Whisper nem tenta. O Voxtral Mini é o checkpoint que a Mistral posiciona para implantação local e edge, mas seu card oficial ainda lista cerca de 9,5 GB de RAM de GPU em bf16/fp16. Para um aplicativo de transcrição de consumo, o Whisper Large-v3 Turbo continua mais fácil de distribuir e cobre muito mais idiomas. É por isso que o Whisper Notes atualmente combina o Whisper Turbo com o Parakeet V3 e o SenseVoice, em vez do Voxtral.

Custo de API e de Auto-Hospedagem

Conforme verificado em 10 de julho de 2026, o card do modelo da Mistral lista a entrada de áudio do Voxtral Small a $0.004 por minuto. A entrada de texto e o texto gerado são cobrados separadamente nas solicitações de compreensão de áudio. Se você hospedar os pesos Apache 2.0 por conta própria, não há cobrança de API da Mistral, mas você paga pelo hardware e pela operação.

Como Funciona

O card oficial do modelo descreve o Voxtral como um backbone de modelo de linguagem com um codificador de áudio e um modo de transcrição dedicado. Os limites importantes do produto são concretos:

1. Arquitetura Multimodal

O Voxtral aceita áudio e texto na mesma conversa, em vez de atuar apenas como um decodificador de fala para texto:

• •Modo dedicado para transcrição direta
• •Perguntas e respostas sobre áudio e sumarização estruturada
• •Múltiplas entradas de áudio e conversas de áudio com vários turnos

2. Idiomas e Avaliação

A Mistral lista oito idiomas principais com detecção automática:

• •Inglês, espanhol, francês, português, hindi, alemão, holandês e italiano
• •Os benchmarks incluem FLEURS, Mozilla Common Voice e Multilingual LibriSpeech
• •O lançamento também avalia separadamente áudio em inglês de formato curto e de formato longo

3. Requisitos de Implantação

Pesos abertos não significam que todo checkpoint seja pequeno o suficiente para qualquer dispositivo:

• •O Voxtral Small exige cerca de 55 GB de RAM de GPU em bf16/fp16, segundo seu card de modelo
• •O Voxtral Mini é o checkpoint de 3 bilhões de parâmetros destinado à implantação local e edge
• •A Mistral recomenda o vLLM para servir os checkpoints lançados

4. Principais Funcionalidades

5. Arquitetura

Três componentes principais:

Esse design explica por que o Voxtral consegue fazer mais do que transcrever, mas também carrega pesos de modelo de linguagem muito maiores do que um modelo focado só em transcrição, como o Whisper Turbo.

Por Que o Whisper Notes Ainda Faz Sentido

O Voxtral e o Whisper Notes resolvem problemas diferentes. O Voxtral combina transcrição com compreensão de áudio; o Whisper Notes foca em transcrição privada, fácil de rodar em hardware Apple de consumo.

O Whisper Notes usa o Whisper Large-v3 Turbo — ele equilibra desempenho, velocidade e requisitos de VRAM para o uso diário. Vamos migrar para modelos melhores quando eles ficarem disponíveis com requisitos de recursos razoáveis.

O Voxtral é atraente quando perguntas e respostas sobre áudio, sumarização ou implantação em servidor próprio são o que importa. O Whisper Notes é voltado para usuários individuais que querem transcrição privada e sem assinatura recorrente.

O Que Isso Significa

O Voxtral é um passo importante dos pesos abertos para além do simples reconhecimento de fala, porque consegue raciocinar sobre o áudio além de transcrevê-lo.

Para transcrição offline privada no Mac e no iPhone, mecanismos especializados menores continuam mais fáceis de empacotar e de rodar de forma consistente.

Comparando todas as opções locais? Todos os modelos de fala para texto no dispositivo — as variantes do Whisper, o Parakeet V3, o SenseVoice e o Voxtral — estão comparados lado a lado na nossa página de comparação de modelos Whisper.

Perguntas Frequentes

Baixar para iOS Baixar para macOS