Mistral lanza la familia Voxtral 3: transcripción offline, en tiempo real y síntesis de voz

Qué se ha lanzado y cuándo

Mistral AI ha confirmado el lanzamiento de la familia Voxtral 3 el 20 de octubre de 2026. Esta nueva generación de modelos de audio incluye cuatro variantes específicas: Voxtral Small Transcribe 3, Voxtral Mini Transcribe 3, Voxtral Mini Transcribe Realtime 3 y Voxtral TTS 3. El anuncio oficial se realizó a través de los canales de comunicación de la empresa y está respaldado por la documentación técnica publicada en su portal de desarrolladores.

La disponibilidad inicial es en formato de vista previa pública (public preview) a través de la API de Mistral. Esto significa que los modelos ya están accesibles para los desarrolladores, pero pueden estar sujetos a cambios en la interfaz o en las especificaciones durante el periodo de prelanzamiento. No se han publicado pesos descargables para despliegue local en este momento; el acceso es exclusivamente alojado por el proveedor.

Variantes, modalidades y acceso

La familia Voxtral 3 se divide en dos categorías principales: transcripción de voz a texto (STT) y síntesis de texto a voz (TTS). Dentro de la transcripción, existen tres variantes: Small, Mini y Mini Realtime. La variante Small está orientada a archivos de audio grabados, mientras que Mini ofrece una alternativa más ligera para el mismo propósito. La variante Mini Realtime está diseñada específicamente para flujos de audio en vivo mediante WebSocket, permitiendo la transcripción incremental.

El modelo Voxtral TTS 3 se encarga de la generación de audio a partir de texto. A diferencia de las versiones anteriores, esta iteración incluye capacidades de clonación de voz mediante una referencia de audio opcional. El acceso a todos los modelos se realiza a través de la API de Mistral, utilizando identificadores versionados específicos para cada variante, lo que permite a los desarrolladores fijar la versión exacta que desean utilizar en sus aplicaciones.

Qué cambia para el usuario

Para los equipos de desarrollo, la principal novedad es la unificación de la oferta de audio bajo una misma familia con capacidades mejoradas. La transcripción ahora incluye de forma nativa la diarización (separación de hablantes) y la posibilidad de aplicar sesgo contextual (context bias) para mejorar la precisión en vocabulario especializado, como nombres propios o terminología técnica.

En el caso de la síntesis de voz, la introducción de la clonación de voz representa un cambio significativo respecto a las versiones anteriores, que se limitaban a voces preestablecidas. Sin embargo, es importante destacar que al lanzamiento, las instrucciones de estilo libres no están disponibles; la personalización se realiza mediante etiquetas de emoción y la referencia de voz. Además, se ha lanzado un SDK de agentes de voz basado en LiveKit, que facilita la integración de estas capacidades en aplicaciones conversacionales.

Precio, límites y lo que falta por comprobar

La estructura de precios de Voxtral 3 se basa en el consumo de audio o texto, no en tokens. Para la transcripción, los costos oscilan entre 0,0035 USD y 0,008 USD por minuto de audio, dependiendo de la variante (Mini es la más económica, mientras que Realtime tiene un coste superior por la complejidad del procesamiento en vivo). La síntesis de voz tiene un coste de 13 USD por millón de caracteres.

En cuanto a los límites técnicos, la documentación oficial indica que los modelos de transcripción soportan hasta 50 idiomas, mientras que el modelo de tiempo real especifica 45 idiomas y dialectos. Existe una discrepancia menor en la documentación sobre el tamaño de contexto: las fichas de modelo indican 32k tokens, mientras que la guía de límites de audio menciona 65.536 tokens compartidos. Los desarrolladores deben validar el límite específico de su endpoint contratado antes de implementar aplicaciones que manejen sesiones de audio muy largas.

Consideraciones técnicas y de privacidad

Al trabajar con audio en tiempo real, es crucial gestionar correctamente las reconexiones y la detección de fin de turno para evitar la pérdida de datos o la interrupción prematura de las conversaciones. La detección de hablantes en Voxtral 3 es una función de diarización, no de identificación biométrica; por lo tanto, no debe utilizarse para verificar la identidad de las personas de forma definitiva.

Desde el punto de vista de la privacidad, el audio procesado puede contener datos personales sensibles. Los desarrolladores deben implementar políticas de retención de datos claras, informar a los usuarios sobre el tratamiento de su voz y asegurarse de que la clonación de voz se utiliza con el consentimiento explícito de la persona cuya voz se está replicando. No se debe utilizar la clonación para suplantar identidades ni para fines fraudulentos.

Continúa explorando

Correcciones y transparencia

Si detectas un dato incorrecto o desactualizado, puedes enviarnos una corrección indicando la página y la fuente que debemos revisar.