Introducción
Mistral AI ha presentado Voxtral 3, una nueva familia de modelos de voz acompañada de un SDK para desarrollar agentes conversacionales capaces de escuchar, razonar, utilizar herramientas y responder mediante voz en tiempo real.
Según el anuncio oficial de Mistral AI del 22 de octubre de 2026, la tecnología integra estas capacidades en un flujo continuo de procesamiento construido sobre LiveKit.
La propuesta abarca transcripción multilingüe, generación de voz, interacción con sistemas externos y automatización de tareas durante conversaciones telefónicas o mediante aplicaciones.
Transcripción en más de 50 idiomas
Uno de los componentes principales de Voxtral 3 es Voxtral Small Transcribe 3, un modelo de reconocimiento de voz compatible con más de 50 idiomas.
Su cobertura incluye los 24 idiomas oficiales de la Unión Europea, además de lenguas asiáticas e índicas con menor disponibilidad de recursos tecnológicos.
El modelo incorpora distintas capacidades para interpretar conversaciones:
Diarización: identifica quién intervino y en qué momento de una conversación.
Adaptación al contexto: permite orientar el reconocimiento hacia términos específicos, como vocabulario técnico.
Detección de fin de turno: reconoce cuándo una persona ha terminado su intervención.
La familia también incorpora Voxtral Mini Transcribe 3, una variante de 4.000 millones de parámetros.
Para aplicaciones que necesitan procesar audio conforme se recibe, Mistral ofrece Voxtral Mini Transcribe Realtime 3, con una latencia inferior a 500 milisegundos y soporte para más de 35 idiomas.
Mistral AI afirma que Small Transcribe 3 supera a Whisper, Scribe v2 y Gemini 3.5 Transcribe en tareas de transcripción multilingüe.
Voces con emociones, ritmo y distintos dialectos
La generación de voz está a cargo de Voxtral Mini TTS 3, un modelo de conversión de texto a voz compatible con más de 35 idiomas y más de 50 dialectos.
Su funcionamiento permite ajustar características expresivas como la emoción, el ritmo y el énfasis según el contexto de la conversación.
La familia también incorpora Pro Voice, una capacidad que reproduce las características distintivas de la voz de un hablante, incluyendo su estilo y rango emocional, a partir de 30 minutos de audio.
Además, Mistral proporciona voces preconfiguradas en 18 idiomas, entre ellos el español de España.
Estas funciones forman parte de la propuesta de Voxtral 3 para desarrollar interacciones habladas que combinen contenido, contexto y expresividad.
Agentes que pueden consultar facturas, verificar identidades y reservar citas
Voxtral 3 va más allá del reconocimiento y la generación de voz mediante un SDK orientado a agentes capaces de actuar durante una conversación.
Por ejemplo, mientras mantiene una llamada, un agente puede verificar la identidad de quien llama, consultar información de una factura o gestionar una reserva de cita.
Para ejecutar estas operaciones, el sistema admite llamadas a funciones, búsquedas web y recuperación de información desde los sistemas propios de una organización.
La infraestructura permite recibir y realizar llamadas mediante SIP, así como funcionar en navegadores y aplicaciones utilizando WebRTC.
Mistral indica que cada turno de conversación se completa en menos de un segundo. El agente también puede detectar las interrupciones del interlocutor y dejar de hablar cuando la persona interviene.
El diseño se basa en etapas independientes, cada una respaldada por su propio modelo. Esto permite sustituir el modelo de lenguaje, modificar la voz o cambiar el idioma sin tener que reescribir el agente completo.
Despliegue en la Unión Europea o infraestructura propia
Otro componente de Voxtral 3 es la flexibilidad para decidir dónde se ejecutan los modelos y cómo se gestionan los datos de voz.
Mistral ofrece acceso mediante su API alojada en la Unión Europea y también contempla el autodespliegue dentro de la infraestructura de cada organización.
Este esquema permite controlar dónde se procesa el audio y determinar si se conserva.
La posibilidad de utilizar infraestructura propia se integra con el enfoque modular de los agentes, en el que las distintas etapas del procesamiento funcionan como componentes independientes.
Precios oficiales de Voxtral 3
Mistral AI ha publicado las tarifas de los distintos modelos de transcripción, generación de voz y agentes conversacionales.
| Modelo o servicio | Precio |
|---|---|
| Voxtral Mini Transcribe 3 (lote) | 0,0035 $/min |
| Voxtral Mini Transcribe Realtime 3 | 0,008 $/min |
| Voxtral Small Transcribe 3 | 0,0040 $/min |
| Voxtral Mini TTS 3 | 13 $/1M de caracteres |
| API de agente de voz con Mistral Small 4 para razonamiento | 0,04 $/min |
| API de agente de voz con un modelo mayor | 0,08 $/min |
Las tarifas distinguen entre el procesamiento de audio por minutos, la generación de voz medida en caracteres y el servicio completo de agente conversacional.
En el caso de la API de agentes de voz, el precio depende del modelo utilizado para el razonamiento.
En contexto
Mistral AI es la empresa responsable de Voxtral 3, una familia que reúne modelos especializados en transcripción, generación de voz y un SDK para construir agentes conversacionales.
Su propuesta combina modelos de distintos tamaños, procesamiento en tiempo real y una arquitectura modular construida sobre LiveKit.
La compañía también ofrece dos alternativas de despliegue: acceso mediante una API alojada en la Unión Europea y ejecución en infraestructura propia.
Con Voxtral 3, Mistral reúne en una misma propuesta tecnológica capacidades para comprender conversaciones, producir respuestas habladas e interactuar con herramientas y sistemas externos.
