O que aconteceu
A Mistral apresentou nesta terça-feira (20) o Voxtral 3, uma família de modelos para transcrição e geração de fala acompanhada de um kit para criar agentes de voz em tempo real. Segundo a empresa, o sistema escuta a pessoa, consulta ferramentas conectadas, decide o próximo passo e responde durante a mesma conversa. O The Decoder também noticiou o lançamento nesta terça.
A transcrição cobre mais de 50 idiomas. A geração de voz, mais de 35 idiomas e 50 dialetos. A página da Mistral inclui uma demonstração de voz em português brasileiro. O kit combina modelos separados de transcrição, raciocínio e fala, com conexão a sistemas externos. No exemplo divulgado pela companhia, um assistente consulta uma informação e agenda um compromisso durante a ligação. É uma demonstração da empresa, sem prova independente de que esse fluxo funcione com a mesma qualidade em toda operação real.
A Mistral informa que os modelos podem ser acessados por sua API ou instalados em infraestrutura própria. Ela divulga preços por minuto para a transcrição e por volume de caracteres para a fala. O preço de um atendimento completo depende também dos demais componentes usados na conversa.
Por que importa
Para uma empresa brasileira que atende clientes por telefone, o lançamento acrescenta uma opção para avaliar em processos como marcação de horários, consulta de pedidos e confirmação de dados. Para uma agência que desenha o atendimento de uma marca, a comparação relevante envolve o que acontece quando o cliente interrompe o agente, usa uma expressão regional ou pede uma ação que depende do sistema interno. Uma voz agradável sozinha não resolve um pedido que ficou sem registro.
Há uma diferença prática entre contratar transcrição e colocar um agente para falar com clientes. A primeira tarefa transforma áudio em texto. Na segunda, a empresa precisa definir quais dados o agente pode consultar, que ações ele pode executar e em que momento uma pessoa assume a conversa. O kit apresentado pela Mistral prevê integração com ferramentas e telefonia, mas cada operação precisa configurar os acessos. A regra brasileira para atendimento com IA também deve entrar na avaliação de quem pretende usar o sistema em serviço ao consumidor.
O custo merece uma conta separada. A Mistral anuncia US$ 0,0035 por minuto para a transcrição em lote do modelo Mini e US$ 0,008 por minuto para a modalidade em tempo real. A fala sintética custa US$ 13 por milhão de caracteres, segundo a tabela da empresa. Esses valores cobrem componentes distintos, então somar apenas o preço da transcrição e apresentá-lo como custo de uma chamada seria enganoso. O time precisa pedir uma estimativa para seu fluxo concreto, incluindo modelo de raciocínio, voz e conexão com a telefonia.
O controle de dados é outro critério. A Mistral oferece hospedagem por API e implantação na infraestrutura da própria empresa. Antes de levar gravações de clientes para um piloto, a equipe de atendimento deve verificar onde o áudio será processado, se as conversas serão retidas e quem terá acesso às ferramentas conectadas. A opção de instalação própria exige uma estrutura técnica que a página de lançamento não dimensiona em custo.
Como testar
A Mistral disponibiliza demonstrações de agente de voz, transcrição e geração de fala nos ambientes de teste do seu Studio, apontados em sua página do Voxtral 3. Há uma amostra de português brasileiro para ouvir. A empresa divulga preço para uso da API, mas a página não promete gratuidade do ambiente de teste. Também não apresenta avaliação independente do desempenho em atendimento brasileiro.
Em dez minutos, ouça a amostra em português e peça a quem avalia fornecedores que prepare um roteiro de ligação fictícia: o cliente corrige o número do pedido no meio da frase e solicita uma ação no sistema. Compare o resultado esperado com as exigências do seu atendimento atual. Não envie dados reais de clientes nessa primeira avaliação. Registre se o teste precisará de integração, custo de telefonia e encaminhamento a atendente humano antes de aprovar um piloto.
O que observar
Os próximos testes de quem opera atendimento no Brasil devem mostrar se a transcrição preserva nomes, números de pedido e interrupções em português brasileiro, além de medir o tempo até a resposta. A Mistral afirma que seu sistema pode completar uma interação em menos de um segundo, mas esse desempenho divulgado por ela não substitui a medição em uma central com sistemas próprios. Para decidir uma contratação, a equipe também precisará de uma proposta que inclua todos os componentes da chamada e descreva o tratamento das gravações.
Fontes
- Mistral: anúncio do Voxtral 3, modelos, idiomas, modalidades e preços
- The Decoder: cobertura do lançamento de 20 de outubro
[…] lançamento recente do Voxtral 3 para agentes de voz em tempo real ajuda a distinguir aplicações: o anúncio da Nvidia mira o processamento de gravações, enquanto […]