Mistral AI presentó Voxtral 3, una familia de cuatro modelos de audio y un SDK para crear agentes de voz. Incluye tres opciones de transcripción, una de síntesis de voz y una arquitectura que conecta escucha, razonamiento, llamadas a herramientas y respuesta hablada. Los modelos están en vista previa pública a través de la API de Mistral. También pueden desplegarse en infraestructura propia, aunque para ello hay que contactar con el equipo comercial.
La propuesta reúne componentes que suelen adquirirse e integrarse por separado. En transcripción por lotes ofrece cifras competitivas y una diarización sólida; en tiempo real, la menor latencia se obtiene a cambio de más errores. Además, varios de los resultados publicados proceden de pruebas de la propia compañía.
Cuatro modelos y un SDK para cubrir toda la conversación
La familia está formada por Voxtral Small Transcribe 3, Voxtral Mini Transcribe 3, Voxtral Mini Transcribe Realtime 3 y Voxtral Speech 3, que en el anuncio también aparece como Voxtral Mini TTS 3. Los tres primeros convierten voz en texto; el último genera voz. El SDK de agentes, construido sobre LiveKit, coordina los modelos y los conecta con un sistema de razonamiento.
Small Transcribe 3 es la opción de gama alta para transcripción por lotes y diarización. La documentación también le atribuye traducción, preguntas y respuestas sobre audio, resúmenes y llamadas a funciones. Mini Transcribe 3 busca reducir coste y latencia: tiene 4.000 millones de parámetros y Mistral lo presenta como una alternativa para entornos con recursos limitados. La compañía no ha divulgado el tamaño de Small, lo que dificulta comparar requisitos o estimar qué haría falta para ejecutarlo por cuenta propia.
Ambos modelos por lotes anuncian una ventana de contexto de 32.000 tokens y transcripción en 50 idiomas, entre ellos los 24 idiomas oficiales de la Unión Europea. Todos los modelos de transcripción incorporan diarización —separar quién dijo qué— y context biasing. Esta función permite proporcionar términos clave o texto libre para mejorar el reconocimiento de nombres, vocabulario especializado y expresiones que el modelo podría confundir. En una llamada sobre farmacología, por ejemplo, esa información puede ser más útil que una mejora marginal en el benchmark general.
Realtime Transcribe 3 está pensado para audio en streaming a través de WebSocket e incluye detección del final del turno: intenta reconocer cuándo la persona ha dejado de hablar para que el agente responda sin esperar una pausa larga. Voxtral Speech 3 genera voz y ofrece controles de emoción, ritmo y énfasis. La separación entre componentes permite cambiar el modelo de lenguaje, la voz o el idioma sin rehacer toda la aplicación, aunque corresponde a quien implemente el sistema asegurarse de que las piezas encajen.
Las cifras de transcripción son buenas, con letra pequeña
En los resultados publicados por Mistral para FLEURS 45, Small Transcribe 3 obtiene un WER de 4,1% con el idioma indicado y de 4,0% cuando se infiere automáticamente. WER mide la tasa de errores de palabras: cuanto menor, mejor. MAI-Transcribe-2 empata en ambas condiciones, con 4,1% y 4,0%. Mini marca 4,6% y 4,5%. En esa comparación, Whisper large-v3 queda más atrás, con 16,0% y 14,9%.
La distancia respecto a Whisper destaca, pero una tabla no permite generalizar a cualquier grabación. Los resultados dependen del conjunto de datos, el idioma, el ruido, el acento y la forma de medir. Mistral comunica estas cifras, que no garantizan el mismo resultado en una llamada de soporte o en una sala de reuniones. Para evaluar proveedores, conviene probarlos con audios propios.
La diarización parece uno de los puntos fuertes de la oferta. En cinco conjuntos públicos, Small registra un cpWER de 18,4% y Mini, de 18,6%; las cifras menores son mejores. La comparación citada deja a Pyannote en 19,0% y a MAI-Transcribe-2 en 20,3%. La diferencia frente a Pyannote es pequeña, pero puede ser relevante en transcripciones con varios interlocutores: atribuir una frase a la persona equivocada perjudica el resultado aunque las palabras estén bien reconocidas.
También destaca el reconocimiento de términos específicos. En Earnings 22, Small alcanza un recall de frases clave del 94,6% con context biasing, frente al 81,4% sin esa ayuda. Scribe v2 logra 94,3% con contexto y 84,0% sin él. Los datos muestran que proporcionar vocabulario y nombres mejora el reconocimiento; el competidor de ElevenLabs también se beneficia de esa función. Su utilidad dependerá, entre otras cosas, de que el equipo mantenga actualizada la lista de términos.
Top tres no significa el más rápido
Artificial Analysis sitúa a Voxtral Small Transcribe 3 en el tercer puesto de su ranking de transcripción, con 2,1% de AA-WER. Mini obtiene 2,2%. Por delante aparecen Fun-Realtime-ASR-preview, con 1,7%, y MAI-Transcribe-2, con 2,0%. Es un resultado competitivo, aunque la ventaja de Mistral no está en encabezar la tabla, sino en combinar precisión, diarización y herramientas para audio.
La velocidad cambia la comparación. En Artificial Analysis, Small alcanza un factor de velocidad de 65,8×, frente a 307,5× de MAI-Transcribe-2. Scribe v2 figura en 65,4×. Small queda bien situado en precisión, pero no en velocidad frente a MAI-Transcribe-2. Si el flujo de trabajo procesa archivos grandes y el tiempo de espera importa, esa diferencia puede pesar más que unas décimas de WER.
Los precios de referencia también requieren comparar las tarifas. La tabla de Artificial Analysis estima 4 dólares por cada 1.000 minutos para Small, 1,67 dólares para MAI-Transcribe-2 y 3,67 dólares para Scribe v2. Mistral publica para Small una tarifa de 0,004 dólares por minuto, equivalente a 4 dólares por 1.000 minutos; Mini cuesta 0,0035 dólares por minuto. En la misma tabla aparecen precios distintos para los competidores, y algunas ofertas pueden ser temporales o depender de cómo se facture el servicio.
El coste de unos pocos dólares por mil minutos puede resultar atractivo para procesar archivos, entrevistas o llamadas grabadas. Aun así, hay que sumar almacenamiento, revisión humana, llamadas a otros modelos y tiempo de integración. El SDK puede simplificar parte del trabajo, pero no elimina esos costes.
En tiempo real, menos espera y más errores
Realtime Transcribe 3 muestra el intercambio entre latencia y precisión. En FLEURS 35 alcanza un WER de 5,7% con una latencia de 2.400 milisegundos; al reducir la espera a 480 ms, el WER sube a 6,4%, y a 240 ms llega a 7,4%. Es una curva coherente con un sistema diseñado para responder deprisa, aunque no favorece a quienes priorizan la máxima precisión.
La comparación con Gemini 3.5 Realtime Transcribe no favorece a Mistral: Gemini registra un 4,2% en esa evaluación. MAI-Transcribe-2 Streaming obtiene un 5,8%. GPT Live Transcribe marca un 8,4% y Scribe v2 Realtime, un 8,7%, por lo que Voxtral supera a esos dos en las configuraciones citadas. Su rendimiento depende del nivel de latencia elegido.
En una conversación con un agente, 240 ms pueden sentirse ágiles. Si los errores afectan números de pedido, direcciones o instrucciones médicas, quizá convenga aceptar una pausa mayor o incorporar confirmaciones. La detección del final del turno también debe funcionar con interrupciones, silencios y personas que piensan mientras hablan; los benchmarks no recogen todas esas condiciones.
Voxtral Speech 3 cuesta 13 dólares por millón de caracteres y, según Mistral, es más barato que OpenAI TTS-1, Deepgram, ElevenLabs Flash y Gemini Flash. La página del modelo anuncia unos 90 milisegundos hasta el primer fragmento de audio y 34 etiquetas emocionales. Pro Voice puede adaptar el estilo de una voz a partir de 30 minutos de audio. Artificial Analysis lo sitúa entre los doce primeros en sus dos arenas de texto a voz.
El precio por caracteres no basta para valorar la calidad de una voz, su consistencia entre frases o su rendimiento en distintos idiomas. Los controles de emoción, ritmo y énfasis permiten ajustar la salida sin montar un sistema paralelo, pero antes de elegirla conviene escuchar muestras propias.
El agente de voz: una cadena flexible, no magia de un clic
El SDK de Voxtral organiza tres etapas en una canalización de streaming. Realtime Transcribe 3 escucha y detecta cuándo termina el turno de la persona. Después, un modelo de lenguaje general —Mistral Small 4 es uno de los ejemplos mencionados— interpreta la petición y puede llamar a herramientas. Por último, Voxtral Speech 3 pronuncia la respuesta y ajusta el tono a la conversación. Mistral afirma que cada turno se completa en menos de un segundo.
El tiempo depende de qué se mida y de las condiciones de red, del modelo de razonamiento y de las herramientas conectadas. Una consulta sencilla puede resolverse rápido; otra que requiera buscar datos, ejecutar una acción y verificar el resultado tardará más. El diseño modular permite sustituir el LLM, la voz o el idioma según las necesidades del equipo.
El sistema admite llamadas telefónicas mediante SIP y sesiones desde navegador o aplicación a través de WebRTC. También puede interrumpir su propia respuesta si el usuario empieza a hablar. La integración con LiveKit busca reducir el trabajo de conexión entre transporte de audio, turnos y ejecución del agente, pero sigue siendo necesario definir permisos, manejo de errores y acceso a herramientas. El SDK puede ahorrar infraestructura, pero no determina qué puede hacer el agente ni quién responde cuando se equivoca.
El coste anunciado para la API de agente es de 0,04 dólares por minuto usando Mistral Small 4 y de 0,08 dólares con cualquier otro modelo de razonamiento. El coste total, por tanto, depende de algo más que la transcripción: también hay que pagar el razonamiento y, según el caso, la voz. Para automatizar llamadas repetitivas, el esquema puede facilitar la elaboración de un presupuesto. En productos con conversaciones largas y tareas complejas, conviene hacer las cuentas con tráfico real.
¿Quién debería probarlo y qué falta por aclarar?
Los cuatro modelos están en vista previa pública en la API de Mistral, con endpoints europeos, estadounidenses y globales. OpenRouter también lista los tres nuevos modelos de transcripción con endpoints alojados en la UE y retención cero de datos. Mistral ofrece despliegues en infraestructura propia a través de su equipo de ventas, pero no ha publicado los requisitos de GPU ni de VRAM. Mini se describe como apto para entornos con recursos limitados; hasta conocer el hardware concreto, esa descripción no sustituye una ficha de despliegue.
Tampoco se han anunciado pesos abiertos. Por tanto, quienes busquen control completo, ejecución local sin intermediarios o capacidad de ajustar el modelo no pueden asumir que Voxtral ofrece esas opciones. La posibilidad de desplegarlo en infraestructura propia no equivale a descargar los pesos sin restricciones: conviene confirmar las condiciones, la disponibilidad y los requisitos antes de planificar una implementación.
Voxtral 3 puede interesar a equipos que quieran probar transcripción multilingüe, diarización y síntesis de voz con componentes conectables, en especial si ya usan LiveKit o necesitan telefonía y sesiones web en una misma arquitectura. Small apunta a calidad y separación de interlocutores; Mini, a tareas por lotes con menor coste. Realtime puede encajar cuando prima la rapidez y se toleran más errores.
El rendimiento de Small convive con una velocidad inferior a la de MAI-Transcribe-2, mientras que la transcripción en tiempo real no alcanza la cifra de Gemini 3.5 Realtime. Eso no invalida el lanzamiento, pero impide considerarlo ganador en todas las categorías. Mistral presenta un conjunto amplio de herramientas de audio, precios concretos y una arquitectura modular. Queda por comprobar cómo se comporta con llamadas ruidosas, acentos variados y usuarios que interrumpen al agente.
