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

Ambos os checkpoints de 2025 são de pesos abertos sob a licença Apache 2.0. Pode descarregá-los e executá-los por conta própria:

• ✓ Pesos completos do modelo disponíveis
• ✓ Alojamento próprio ou adaptação dentro dos termos da licença Apache 2.0
• ✓ Sem custos de API da Mistral em alojamento próprio; continua a pagar a sua própria computação
• ✓ Processe o áudio nos seus próprios servidores

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

Benchmarks

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

WER no FLEURS dos benchmarks de lançamento da Mistral em função do preço estimado da API; tanto os resultados dos benchmarks como os preços podem mudar

O FLEURS é apenas uma fatia da qualidade de transcrição. Estes são resultados reportados pelo próprio fornecedor, por isso compare as definições publicadas dos benchmarks e teste os seus próprios idiomas, microfones e condições de gravação antes de escolher um modelo.

Voxtral vs Whisper: Qual Deve Usar?

Os benchmarks contam apenas parte da história. Eis como as duas famílias de modelos se comparam nos fatores que importam se quiser mesmo executar um deles:

O veredito: o Voxtral Small reporta resultados de WER fortes e acrescenta uma compreensão de áudio que o Whisper nem sequer tenta. O Voxtral Mini é o checkpoint que a Mistral posiciona para implementação local e edge, mas a sua ficha oficial continua a indicar cerca de 9,5 GB de RAM de GPU em bf16/fp16. Para uma aplicação de transcrição de consumo, o Whisper Large-v3 Turbo continua a ser mais fácil de distribuir e cobre muitos mais idiomas. É por isso que o Whisper Notes combina atualmente o Whisper Turbo com o Parakeet V3 e o SenseVoice, em vez do Voxtral.

Custo de API e de Alojamento Próprio

Conforme verificado a 10 de julho de 2026, a ficha do modelo da Mistral indica a entrada de áudio do Voxtral Small a $0.004 por minuto. A entrada de texto e o texto gerado são faturados separadamente nos pedidos de compreensão de áudio. Se alojar os pesos Apache 2.0 por conta própria, não há qualquer cobrança de API da Mistral, mas paga o hardware e a operação.

Como Funciona

A ficha 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 descodificador 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 várias interações

2. Idiomas e Avaliação

A Mistral indica oito idiomas principais com deteção automática:

• •Inglês, espanhol, francês, português, hindi, alemão, neerlandês 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 Implementação

Pesos abertos não significam que todos os checkpoints sejam suficientemente pequenos para qualquer dispositivo:

• •O Voxtral Small requer cerca de 55 GB de RAM de GPU em bf16/fp16, segundo a sua ficha de modelo
• •O Voxtral Mini é o checkpoint de 3 mil milhões de parâmetros destinado a implementação local e edge
• •A Mistral recomenda o vLLM para servir os checkpoints lançados

4. Funcionalidades Principais

5. Arquitetura

Três componentes principais:

Esse design explica porque é que o Voxtral consegue fazer mais do que transcrever, mas também carrega pesos de modelo de linguagem muito maiores do que um modelo exclusivamente de transcrição como o Whisper Turbo.

Porque É Que o Whisper Notes Continua a Fazer Sentido

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

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

O Voxtral é atrativo quando perguntas e respostas sobre áudio, sumarização ou implementação em servidor próprio são o que importa. O Whisper Notes destina-se a utilizadores individuais que querem transcrição privada e sem subscrição recorrente.

O Que Isto Significa

O Voxtral é um passo importante dos pesos abertos para lá do simples reconhecimento de voz, porque consegue raciocinar sobre o áudio além de o transcrever.

Para transcrição offline privada no Mac e no iPhone, motores especializados mais pequenos continuam a ser mais fáceis de empacotar e de executar de forma consistente.

A comparar 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

Descarregar para iOS Descarregar para macOS