Voxtral 3: Mistral construye un stack para agentes de voz
Voxtral 3 de Mistral trae modelos de transcripción y síntesis de voz y un SDK para agentes de voz, desde 0,0035 USD por minuto. Qué puede hacer y cuánto cuesta.
Este artículo en otros idiomas:العربيةDeutschEnglishFrançaisItaliano日本語Polski简体中文
En este artículo
El 20 de octubre, Mistral publicó Voxtral 3, una nueva familia de modelos de voz a texto y de texto a voz, junto con un SDK para crear agentes de voz. Todo está disponible a través de la API de Mistral, y en el hilo de Hacker News el anuncio reunió casi 500 puntos.
¿Qué trae de nuevo Voxtral 3?
Según el anuncio, Voxtral 3 son cuatro modelos y un SDK:
- Voxtral Small Transcribe 3 – el modelo de transcripción más preciso, con reconocimiento de hablantes (la llamada «diarization»), sugerencias de términos especializados y detección del final del turno.
- Voxtral Mini Transcribe 3 – un modelo más pequeño (4B parámetros) para transcripción.
- Voxtral Mini Transcribe Realtime 3 – transcripción en directo con una latencia inferior a 500 ms, pensada para agentes.
- Voxtral Speech 3 – síntesis de voz con control de emoción, ritmo y énfasis. Según la documentación del modelo, el primer sonido llega tras unos 90 ms.
A esto se suma un SDK para agentes de voz construido sobre LiveKit. Escuchar, razonar, llamar a herramientas y hablar funcionan en un único flujo y, según Mistral, cada turno de la conversación se procesa en menos de un segundo. El agente puede usar la búsqueda web y datos de nuestros propios sistemas, y se puede conectar con él por SIP (es decir, un teléfono normal) o WebRTC.
Voxtral Speech 3 también puede clonar voces. Para la clonación básica hacen falta más de 30 minutos de grabaciones, y para usos profesionales Mistral ofrece la llamada «Pro Voice», que según el anuncio también reproduce el estilo característico del hablante.
¿Cuánto cuesta Voxtral 3?
Precios del anuncio:
| Modelo | Precio |
|---|---|
| Voxtral Small Transcribe 3 | 0,004 USD por minuto |
| Voxtral Mini Transcribe 3 | 0,0035 USD por minuto |
| Voxtral Mini Transcribe Realtime 3 | 0,008 USD por minuto |
| Voxtral Speech 3 | 13 USD por 1 M de caracteres |
| API de agentes de voz | 0,04 USD por minuto (con Mistral Small 4) o 0,08 USD por minuto (con otro modelo) |
Una hora de transcripción con el modelo más pequeño sale, por tanto, por unos 21 centavos. Mistral se compara aquí con Whisper, ElevenLabs, Deepgram y Gemini, pero son solo mediciones de la propia empresa, así que esperaré a pruebas independientes antes de opinar.
¿Voxtral 3 funciona en español?
Sí, al menos en transcripción. Según el anuncio, los modelos de voz a texto admiten más de 50 idiomas, incluidas las 24 lenguas oficiales de la UE, según el benchmark FLEURS.
Con la síntesis de voz está menos claro. El anuncio habla de más de 35 idiomas y 50 dialectos en la biblioteca de voces, pero la ficha del modelo en la documentación indica 9 idiomas (prueba la voz en tu idioma en el playground antes de construir algo sobre ella).
¿Hay algo que falle?
Sí, y es justo lo que domina la discusión en Hacker News. Los modelos Voxtral anteriores tenían pesos abiertos (por ejemplo, Voxtral Mini 3B en Hugging Face), pero el anuncio de Voxtral 3 no menciona ni pesos ni licencia. Mistral habla de «self-deployment on your own infrastructure», pero el despliegue on-premise requiere contactar con el equipo de ventas. Un comentarista lo resumió en pocas palabras: «Closed model unfortunately».
Las opiniones sobre la calidad también son dispares. Algunos elogian la transcripción y el reconocimiento de hablantes de las versiones anteriores, otros escriben que las nuevas voces de la demo suenan más artificiales y, para transcribir en local, recomiendan Parakeet. Así que tomemos el anuncio con cautela hasta ver pruebas más amplias.
¿Cómo probar Voxtral 3?
Tenemos dos caminos:
- Playgrounds en Mistral Studio – allí se pueden probar la transcripción, la síntesis de voz, la clonación de voz y los agentes de voz, tras iniciar sesión en la consola de Mistral.
- API – generamos la clave en la consola, y los detalles están en la documentación de audio. Los endpoints funcionan en la UE, en EE. UU. y a nivel global.
Si buscamos algo para ejecutar en nuestra propia máquina, Voxtral 3 no sirve (al menos por ahora). En ese caso, mejor recurrir a las versiones anteriores y abiertas y ejecutar IA en local. Y quien esté construyendo un agente de voz rápido puede comparar Voxtral 3 con Mercury Voice, que Inception presentó junto con Mercury 3.
FAQ
¿Voxtral 3 es open source?
Por ahora nada lo indica. El anuncio no da licencia ni enlaces a los pesos, y el despliegue en infraestructura propia requiere contactar con Mistral. Los modelos Voxtral anteriores sí tienen pesos abiertos.
¿Cuánto cuesta la transcripción en Voxtral 3?
Desde 0,0035 USD por minuto (Voxtral Mini Transcribe 3) hasta 0,008 USD por minuto en modo en directo. La síntesis de voz cuesta 13 USD por millón de caracteres.
¿En qué se diferencia Voxtral 3 del Voxtral anterior?
Las versiones anteriores eran modelos separados de transcripción o de síntesis de voz, en gran parte con pesos abiertos. Voxtral 3 es toda una familia de modelos más un SDK para agentes de voz, disponible a través de la API.