Mistral presentó Voxtral 3 el 20 de octubre de 2026: cuatro modelos de transcripción y generación de voz, junto con un SDK para construir agentes de conversación. Recuperamos este anuncio anterior con una condición importante: el changelog oficial y las cuatro fichas siguen identificando los modelos como vista previa pública, no como disponibilidad general.
La utilidad para un desarrollador consiste en conectar la conversación hablada con herramientas de negocio. Eso exige distinguir las piezas: reconocer lo que dice una persona, decidir qué hacer y generar una respuesta de voz son tareas diferentes.
Qué hace cada variante
Voxtral Small Transcribe 3 y Voxtral Mini Transcribe 3 procesan transcripción de archivos y diarización, es decir, la identificación de quién habló y cuándo. Voxtral Mini Transcribe Realtime 3 trabaja con audio en streaming e incorpora detección del final de turno. Voxtral TTS 3 transforma texto en voz; TTS significa síntesis de voz a partir de texto.
Los identificadores de las fichas son, respectivamente, voxtral-small-transcribe-3-0, voxtral-mini-transcribe-3-0, voxtral-mini-transcribe-realtime-3-0 y voxtral-mini-tts-3-0. Elegir una variante requiere saber si se procesa una grabación o se atiende una conversación en directo.
El anuncio de Mistral presenta un SDK basado en LiveKit que conecta reconocimiento, un modelo general para razonar y llamar herramientas, y síntesis de voz. La capacidad de hablar no sustituye al modelo de razonamiento ni concede permiso para modificar una reserva o emitir un pago.
Precios por componente, no por conversación completa
La tabla oficial de precios muestra estas tarifas de entrada sin caché en dólares: 0,0035 por minuto para Mini Transcribe, 0,004 por minuto para Small Transcribe y 0,008 por minuto para Realtime. TTS figura a 13 dólares por millón de caracteres.
Ejemplo hipotético, sin llamadas ni facturas comprobadas por Puntoes: 1.000 minutos de transcripción con Small a esa tarifa suman 4 dólares. Es el componente de transcripción, no el coste total de un agente. Excluye razonamiento, generación de voz, telefonía, infraestructura e impuestos. Tampoco demuestra ahorro frente a otro proveedor.
Despliegue y límites que conviene resolver
El anuncio indica acceso por API mediante endpoints europeos, estadounidenses y globales. Por tanto, no debe suponerse que cualquier solicitud se procesa automáticamente en Europa: la integración debe comprobar el endpoint y las condiciones aplicables.
Mistral anuncia también despliegue en infraestructura propia o nube privada y remite al equipo comercial. Las fichas clasifican estas variantes como Premier. No presentamos esa posibilidad como una descarga abierta con licencia libre ni como autohospedaje gratuito; sus condiciones deben acordarse con el proveedor.
Hay además una discrepancia en la presentación del número de idiomas de la transcripción en tiempo real: el cuerpo del anuncio menciona más de 35 y otros elementos promocionales usan otra cifra. Evitamos convertir ese recuento en una garantía de cobertura. Para un proyecto concreto conviene verificar el idioma, la modalidad y la calidad de su audio.
Caso hipotético, no probado por Puntoes: un asistente que reserva citas debería confirmar identidad, fecha y resultado antes de escribir en el sistema. Nuestra recomendación es probar acentos, interrupciones, nombres y números, además de limitar los permisos de sus herramientas. Las afirmaciones de latencia y calidad del fabricante no son mediciones de este blog ni garantías para esa instalación.
La deprecación de las referencias anteriores tiene otro calendario: lo detallamos en los plazos de migración del catálogo de Mistral. Que el catálogo recomiende Voxtral 3 no garantiza paridad funcional entre generaciones.
Fuentes
- Mistral: anuncio de Voxtral 3, arquitectura y despliegue.
- Mistral: lanzamiento del 20 de octubre y estado de vista previa.
- Ficha de Voxtral Small Transcribe 3.
- Ficha de Voxtral Mini Transcribe 3.
- Ficha de Voxtral Mini Transcribe Realtime 3.
- Ficha de Voxtral TTS 3.
- Mistral: precios por minuto y por millón de caracteres.