Mistral AI lanza los modelos de voz Voxtral 3 y un SDK para agentes de voz

Mistral AI ha lanzado Voxtral 3, una nueva familia de modelos de voz a texto y de texto a voz combinada con un SDK para agentes de voz, según anunció la compañía.

Según Mistral, el lanzamiento está orientado a crear agentes de voz capaces de escuchar, razonar, hablar y ejecutar acciones de varios pasos a través de sistemas conectados en tiempo real. La compañía afirma que las herramientas de voz existentes han mejorado, pero que combinar una escucha precisa, un razonamiento contextual, un habla natural y la llamada a herramientas en un único sistema fiable en tiempo real ha seguido siendo complicado.

Qué incluye el lanzamiento

Mistral afirma que Voxtral 3 incluye dos modelos principales y un SDK:

• Voxtral Small Transcribe 3: un modelo de voz a texto que la compañía describe como de referencia en transcripción multilingüe, con soporte para diarización (identificar quién dijo qué), sesgo contextual (uso de frases clave proporcionadas para mejorar la precisión) y detección de fin de turno.
• Voxtral Mini TTS 3: un modelo de texto a voz que, según la compañía, produce voces que ajustan la emoción, el ritmo y el énfasis según el contexto conversacional, en más de 35 idiomas y más de 50 dialectos.
• Un SDK para agentes de voz: que, según Mistral, combina escucha, razonamiento, llamada a herramientas y habla en una única canalización de streaming en tiempo real, lo que permite a los agentes recuperar información y completar tareas durante conversaciones telefónicas o web en directo.

La compañía también describe una función de adaptación llamada Pro Voice para casos de uso profesionales, que según afirma puede reproducir el carácter distintivo, el rango emocional y el estilo de habla de un locutor en varios idiomas a partir de unos 30 minutos de audio.

Cobertura lingüística y afirmaciones de rendimiento

Mistral afirma que el modelo de transcripción cubre ahora 50 idiomas, incluidos los 24 idiomas oficiales de la UE y varios idiomas asiáticos e índicos con pocos recursos. La compañía sostiene que la versión Small logra resultados de referencia en diarización y transcripción multilingüe, incluido en inglés, francés y español, y que supera a Whisper, Scribe v2 y Gemini 3.5 Transcribe en estas métricas. Mistral señala que una variante Mini, de 4.000 millones de parámetros, tiene un precio de 0,0035 dólares por minuto.

La compañía también describe un modelo independiente, Voxtral Realtime Transcribe 3, que según afirma ofrece transcripción con una latencia inferior a 500 ms en más de 35 idiomas, incluyendo diarización y sesgo contextual.

En cuanto a la generación de voz, Mistral indica que Voxtral Mini TTS 3.0 tiene un precio de 13 dólares por millón de caracteres, lo que la compañía afirma es más económico que ofertas comparables de TTS-1 de OpenAI, Deepgram, ElevenLabs Flash y Gemini Flash. Mistral sostiene que el modelo interpreta de forma nativa el significado semántico del contexto textual para producir el habla, y que entre las nuevas funciones se incluyen la clonación de voz a partir de más de 30 minutos de audio de muestra, el seguimiento de instrucciones personalizadas para la emoción, el ritmo y el énfasis, y una biblioteca de vocabulario.

Implementación y manejo de datos

Mistral afirma que Voxtral 3 está diseñado para una implementación soberana, en línea con los demás modelos de la compañía. Está disponible a través de la API de Mistral alojada en la UE o para autoalojamiento en la infraestructura propia de una organización, lo que, según la compañía, otorga a las organizaciones control sobre dónde se procesa el audio, cómo se gestionan los datos y si las conversaciones se conservan.

Mistral AI, Voxtral 3: Voice Agent SDK & Speech Models in 50+ Languages, publicado el 20 de octubre de 2026.