Mistral, la empresa francesa detrás de Le Chat, lanzó Voxtral 3 el 20 de octubre: un conjunto de modelos de voz a texto y texto a voz, además de un SDK para construir agentes de voz que escuchan, razonan, hablan y actúan.

Los modelos y sus precios

Voxtral Small Transcribe 3: el modelo de transcripción más preciso, 0,004 $ por minuto.
Voxtral Mini Transcribe 3: transcripción por lotes, 4 mil millones de parámetros, 0,0035 $ por minuto.
Voxtral Mini Transcribe Realtime 3: transcripción en streaming para agentes, 0,008 $ por minuto, con una latencia inferior a 500 ms.
Voxtral Mini TTS 3: texto a voz por lotes y en tiempo real, 13 $ por millón de caracteres.
SDK para agentes de voz: construido sobre LiveKit, 0,04 $ por minuto con Mistral Small 4 encargándose del razonamiento, u 0,08 $ con un modelo mayor. Mistral afirma que cada turno del agente se completa en menos de un segundo.

Idiomas y voces

Los modelos Transcribe 3 cubren más de 50 idiomas, incluidos los 24 idiomas oficiales de la UE. El modelo de voz cubre más de 35 idiomas y más de 50 dialectos, acepta instrucciones sobre emoción, ritmo y énfasis, y ofrece voces predefinidas en 18 idiomas. También admite clonación de voz, y una opción Pro Voice adapta una voz a partir de 30 minutos de audio de un hablante.

Los propios benchmarks de Mistral sitúan a Voxtral Small Transcribe 3 a la cabeza en transcripción con atribución de hablante: una tasa de error del 18,4%, frente al 23,0% de ElevenLabs Scribe v2 y el 38,4% de Gemini 3.5 Transcribe. Mistral también afirma que Voxtral Small supera a Whisper en la prueba multilingüe FLEURS y que su modelo de voz resulta más económico de ejecutar que OpenAI TTS-1, Deepgram, ElevenLabs Flash y Gemini Flash. Se trata de cifras del propio proveedor, no de pruebas independientes.

Dónde funciona

Voxtral 3 ya está disponible a través de la API de Mistral, alojada en la UE con puntos de acceso en EE. UU. y globales, y en los entornos de prueba de Mistral Studio para probar transcripción, voz, clonación de voz y agentes. Las empresas también pueden desplegarlo en su propia infraestructura; las configuraciones locales (on-premises) y de nube privada se gestionan a través del equipo comercial de Mistral.

A quién le interesa

El lanzamiento está dirigido a desarrolladores que construyen bots para centros de atención telefónica, transcripción de reuniones y asistentes de voz, especialmente aquellos que necesitan que el audio permanezca en la UE o en sus propios servidores.

Qué significa esto si necesitas IA de voz

Si transcribes reuniones o llamadas en varios idiomas, Voxtral Mini a 0,0035 $ por minuto merece probarse frente al modelo abierto Whisper que quizá ya uses.

Si necesitas voces naturales para contenidos, ElevenLabs sigue siendo el estudio listo para usar; Voxtral es una API para desarrolladores, así que compáralo con tus propios guiones antes de cambiar.