Mistral lanza Voxtral 3: reconocimiento de voz en más de 50 idiomas, TTS expresivo y un SDK para agentes de voz en tiempo real

Mistral AI anunció Voxtral 3 el 20 de octubre de 2026: un nuevo conjunto de modelos de voz y un kit de software para crear agentes de voz que mantienen conversaciones en tiempo real y realizan tareas durante una llamada.

Qué incluye

• Voxtral Small Transcribe 3: voz a texto en 50 idiomas, incluidas las 24 lenguas oficiales de la UE, con identificación de hablantes (diarización), context biasing con términos clave y detección de fin de turno. Una versión Mini más pequeña tiene 4.000 millones de parámetros.
• Voxtral Mini Transcribe Realtime 3: transcripción en tiempo real con una latencia que Mistral sitúa por debajo de 500 ms.
• Voxtral Mini TTS 3: texto a voz en más de 35 idiomas y 50 dialectos, con voces que ajustan emoción, ritmo y énfasis al contexto, y adaptación “Pro Voice” a partir de unos 30 minutos de audio de un hablante.
• Un SDK de agentes de voz basado en LiveKit que encadena en streaming la entrada de voz, el razonamiento de un modelo como Mistral Small, las llamadas a herramientas y la respuesta hablada; según Mistral, cada turno tarda menos de un segundo y funciona por teléfono (SIP) y web (WebRTC).

Precios y despliegue

Mistral indica 0,0035 dólares por minuto para la transcripción Mini por lotes, 0,008 $/min en tiempo real, 13 dólares por millón de caracteres de TTS y 0,04 $/min para la API de agente de voz con Mistral Small 4. Los modelos están disponibles en endpoints de la UE, EE. UU. y globales, o para despliegue propio, que la empresa presenta como forma de mantener el audio y su retención bajo control del cliente.

Advertencia

Mistral afirma que Voxtral 3 supera a Whisper, ElevenLabs Scribe v2 y los modelos de transcripción de Gemini, pero los gráficos son evaluaciones propias, varias puntuadas por otro modelo de IA; aún no hay pruebas independientes.