Mistral lanza los modelos de voz Voxtral 3 y un SDK de agente de voz

Mistral publicó la familia Voxtral 3 el 20 October 2026, que combina transcripción multilingüe precisa, texto a voz expresivo y un SDK de agente de voz en tiempo real que gestiona escucha, razonamiento, llamada a herramientas y habla en una sola cadena [1]. Los modelos se ejecutan en la API de Mistral alojada en la UE o en la infraestructura propia de los clientes [1].

¿Qué modelos de transcripción publicó Mistral?

Mistral publicó tres modelos de transcripción Voxtral 3 el 20 October 2026 que admiten hasta 50 idiomas. Son Voxtral Small Transcribe 3, Voxtral Mini Transcribe 3 y Voxtral Mini Transcribe Realtime 3 [1]. El modelo Mini tiene 4B parámetros y cuesta $0.0035 por minuto, mientras que la variante en tiempo real apunta a latencia inferior a 500 ms en más de 35 idiomas con diarización y sesgo contextual [1].

Voxtral Small Transcribe 3 afirma resultados de vanguardia en diarización y transcripción multilingüe en 50 idiomas, incluidos 24 idiomas oficiales de la UE, y supera a Whisper, Scribe v2 y Gemini 3.5 Transcribe según los benchmarks de Mistral [1]. El sesgo contextual permite suministrar términos clave sin ajuste fino [1].

¿Cómo funcionan el nuevo TTS y la clonación de voz?

Mistral indica que Voxtral Mini TTS 3 admite más de 35 idiomas y 50 dialectos a $13 por millón de caracteres. Mistral también denomina al modelo Voxtral Speech 3 y afirma que sus voces ajustan emoción, ritmo y énfasis según la conversación [1]. Para uso profesional, Mistral señala que la adaptación de voz puede reproducir el estilo de un hablante a partir de 30 minutos de audio [1].

¿Qué permite el SDK de agente de voz?

El nuevo SDK de agente de voz de Mistral se basa en LiveKit y completa cada turno en menos de un segundo, según Mistral. Ejecuta voz de entrada, razonamiento y voz de salida como una única cadena en flujo continuo, y el agente deja de hablar cuando el interlocutor interrumpe [1]. Los agentes pueden atender y realizar llamadas por SIP y ejecutarse en navegadores y aplicaciones por WebRTC [1].

¿Dónde pueden ejecutar los desarrolladores Voxtral 3?

Voxtral 3 está disponible a través de la API de Mistral con puntos finales europeos, estadounidenses y globales, y puede implementarse de forma autónoma [1][2]. Mistral afirma que las organizaciones controlan dónde se procesa el audio y si se conserva algún audio [1]. Los gráficos de benchmark de Mistral, que afirman victorias sobre Whisper, Scribe v2 y Gemini 3.5 Transcribe, son evaluaciones propias [1].

Nuestra lectura

Opinión: Voxtral 3 reduce la distancia entre las interfaces de voz y los flujos de trabajo de agentes fiables, pero la prueba real será si la precisión y latencia declaradas se mantienen cuando los benchmarks independientes sustituyan a los números internos de Mistral.

Lo que no pudimos verificar

• Confirmación independiente de las tasas de error de palabra y los números de diarización mostrados en los gráficos de Mistral.
• La distribución exacta de latencia del modelo en tiempo real bajo carga de producción.
• Si los pesos de Voxtral 3 se publican de forma abierta; la publicación de Mistral describe acceso por API e implementación autónoma.
• Cualquier evaluación de terceros sobre la calidad de la adaptación de voz profesional de 30 minutos.