Mistral AI presentó el 20 de octubre la tercera generación de Voxtral, su familia de modelos de voz: Voxtral TTS 3 para síntesis con clonación de voz, Voxtral Small Transcribe 3 y Voxtral Mini Transcribe 3 para transcripción y diarización, y Voxtral Mini Transcribe Realtime 3 para agentes que necesitan escuchar y responder en tiempo real. Acompaña un SDK de agentes de voz construido sobre LiveKit, pensado para montar asistentes que descuelgan y hacen llamadas de teléfono de verdad.
Los números de rendimiento son sólidos: en el benchmark multilingüe FLEURS, Voxtral Small Transcribe 3 ronda un 4,0-4,1% de tasa de error de palabra en 45 idiomas, frente al 16% de Whisper large-v3 de OpenAI. La latencia del modelo en tiempo real baja de los 500 milisegundos, con detección de fin de turno incorporada — la pieza que suele hacer que un agente de voz interrumpa a medias frase o se quede esperando de más.
Lo que cambia respecto a la generación anterior es el modelo de acceso. El Voxtral Mini original, de marzo, publicó sus pesos en Hugging Face bajo licencia no comercial. Esta vez no: los cuatro modelos de Voxtral 3 solo se sirven vía la API de Mistral — con sede en la UE por defecto, o en infraestructura propia para clientes con contrato empresarial — pero sin pesos descargables ni rastro de una publicación en Hugging Face. Para quien venía siguiendo a Mistral precisamente por abrir lo que otros cierran, es un paso atrás.
La propia Mistral vendía su generación anterior de Voxtral como una alternativa abierta a Whisper; esta vez, quien quiera ese nivel de calidad tiene que pasar por su API, no por su propio servidor.
Los precios por uso son bajos en términos absolutos — desde 0,0035 $/minuto para transcripción por lotes hasta 13 $ por millón de caracteres en síntesis de voz — pero eso es justo el punto: es un modelo de pago por token que no tiene equivalente de coste cero con tu propia GPU, porque no hay forma de tener la GPU con este modelo.
Fuentes: docs.mistral.ai · dutchstartup.ai · mistral.ai
