Mistral lanza los modelos Voxtral 3 de voz a texto y de texto a voz, y un SDK para agentes de voz

Entrada de archivo: cubre un hecho del 20 de octubre de 2026 y la publicamos el 8 de noviembre de 2026. Los datos provienen de fuentes de esa fecha y pueden haber cambiado desde entonces.

El 20 de octubre de 2026, Mistral AI lanzó la familia Voxtral 3: los modelos de transcripción Small, Mini y Realtime, un modelo de texto a voz Mini y un SDK de agentes de voz creado sobre LiveKit. El lanzamiento apareció en el feed de noticias de Mistral.

Qué incluía Voxtral 3

• Mistral describió Small Transcribe 3 como un modelo de última generación (state of the art) en transcripción multilingüe, diarización, sesgo de contexto (context biasing) y detección de fin de turno en 50 idiomas, incluidos los 24 idiomas oficiales de la UE, y dijo que superaba a Whisper, Scribe v2 y Gemini 3.5 Transcribe.
• Mini Transcribe 3 tenía 4 mil millones de parámetros, y Realtime Transcribe 3 tenía una latencia inferior a 500 ms en más de 35 idiomas.
• Mini TTS 3 cubría más de 35 idiomas y más de 50 dialectos a 13 USD por millón de caracteres, con clonación de voz a partir de más de 30 minutos de audio de muestra, adaptación Pro Voice a partir de 30 minutos de audio y voces predefinidas en 18 idiomas.
• El SDK de agentes de voz estaba creado sobre LiveKit y completaba cada turno en menos de un segundo. Manejaba SIP y WebRTC, con llamadas a funciones, búsqueda web y recuperación (retrieval), y ofrecía interfaces de telefonía, de navegador y de audio personalizado.
• Los precios de transcripción eran de 0.0035 USD/min para Mini Transcribe 3 por lotes, 0.008 USD/min para Mini Transcribe Realtime 3 y 0.0040 USD/min para Small Transcribe 3. Los agentes de voz costaban 0.04 USD/min con Mistral Small 4 y 0.08 USD/min con un modelo más grande.
• Los ID de modelo eran voxtral-small-transcribe-3-0, voxtral-mini-transcribe-3-0, voxtral-mini-transcribe-realtime-3-0 y voxtral-mini-tts-3-0, todos en Public Preview.

Qué significa para quienes construyen con IA

Quienes desarrollaban aplicaciones de voz podían obtener transcripción desde 0.0035 USD por minuto y una solución de agentes de voz con respuesta en menos de un segundo, todo de un mismo proveedor. La familia cubría voz a texto, texto a voz y un SDK de agentes con interfaces de telefonía, de navegador y de audio personalizado, así que las piezas principales de un producto de voz venían del mismo proveedor.

Disponibilidad y fuentes

Los cuatro modelos estaban en Public Preview en la API de Mistral, a través de endpoints europeos, estadounidenses y globales, y Mistral también ofrecía el despliegue propio. Hay más detalles en el anuncio de Voxtral 3 y en el registro de cambios de Mistral.

Fuentes

• Mistral Blog (Mistral AI, 20 de octubre de 2026, oficial)
• Voxtral 3: Speech-to-Text, TTS & Voice Agents | Mistral (Mistral AI, oficial)
• Changelog | Mistral Docs (Mistral AI, 20 de octubre de 2026, oficial)

Redactado con ayuda de IA, únicamente a partir de las fuentes indicadas arriba. Antes de publicarse, controles automáticos verificaron sus fechas, sus fuentes y todas sus versiones de idioma.