Voxtral 3 es toda la pila de voz de Mistral en un solo lanzamiento: tres modelos que convierten voz en texto, uno que convierte texto en voz y un SDK de agentes de voz que los conecta con un modelo de chat para que una IA pueda mantener una conversación por teléfono o navegador. Se lanzó el 20 de octubre de 2026 y todos los modelos siguen siendo una versión preliminar pública.
Los precios son bajos. La transcripción va de 0,0035 $ a 0,008 $ el minuto, la voz cuesta 13 $ por 1M de caracteres y todo el flujo del agente cuesta 0,04 $ el minuto con Mistral Small 4 haciendo el razonamiento. Dos pegas: esta vez los pesos son cerrados, y las líneas telefónicas por SIP son solo para enterprise en el lanzamiento.
Para los equipos de soporte, la conclusión es que Voxtral resuelve oír y hablar, no saber. En eesel construyo los agentes de IA que responden tickets reales, y el trabajo que los hace útiles es aprender las respuestas anteriores de una empresa, como los 27.000 tickets de Zendesk en alemán al mes que gestionamos para smava. Voxtral le da a un agente oídos y voz. Las respuestas siguen teniendo que venir de algún sitio.
¿Qué es Voxtral 3?
Voxtral 3 es una familia de modelos de voz de Mistral AI, el laboratorio con sede en París detrás de los modelos de chat Mistral y Magistral. El argumento de Mistral es que un agente de voz que funcione tiene que hacer cuatro trabajos a la vez: escuchar con precisión, razonar sobre lo que quiere decir quien llama, hablar con naturalidad y actuar en otros sistemas. Voxtral 3 es el primer lanzamiento de Voxtral que incluye una pieza para cada uno.
Trabajo en cómo funcionan por dentro los agentes de eesel, así que lo que más me interesa de este lanzamiento no es ningún benchmark concreto. Es que Mistral dividió el trabajo en modelos separados e intercambiables, en lugar de un único modelo que lo hace todo. Esa decisión explica la mayor parte de lo bueno y de lo incómodo de Voxtral 3.
¿Qué modelos incluye Voxtral 3?
Hay cuatro modelos y un producto de API. Esta es la gama con los ID de modelo que realmente llamarías, tomados de la guía de migración y de los precios de lanzamiento:
| Modelo | ID del modelo | Qué hace | Precio |
|---|---|---|---|
| Voxtral Small Transcribe 3 | voxtral-small-transcribe-3-0 | Transcripción por lotes insignia, diarización, traducción, preguntas y respuestas sobre voz | $0.004/min |
| Voxtral Mini Transcribe 3 | voxtral-mini-transcribe-3-0 | Modelo de transcripción por lotes más pequeño, de 4B | $0.0035/min |
| Voxtral Mini Transcribe Realtime 3 | voxtral-mini-transcribe-realtime-3-0 | Transcripción en directo con detección de fin de turno | $0.008/min |
| Voxtral Mini TTS 3 | voxtral-mini-tts-3-0 | Texto a voz, más de 35 idiomas, clonación de voz | $13/1M chars |
| API de agente de voz | n/a | Transcripción en tiempo real + modelo de chat + TTS en un solo flujo | $0.04/min (Mistral Small 4), $0.08/min (modelo mayor) |
Cada modelo tiene también alias cortos, como voxtral-mini-transcribe-latest. Un detalle: Mistral dice que el alias voxtral-mini-tts-latest solo pasará a Voxtral 3 en el plazo de un mes desde la disponibilidad general. Si quieres un comportamiento predecible, fija el ID completo del modelo.
Todo está disponible a través de la API de Mistral en endpoints europeos, de EE. UU. y globales, y puedes probar transcripción, voz y agentes de voz en el playground de Studio antes de escribir código.
Los modelos de transcripción
Voxtral Small Transcribe 3 es el que hay que conocer. Mistral lo llama su modelo insignia de transcripción y diarización (diarización significa etiquetar quién dijo cada línea). Maneja 50 idiomas, incluidos los 24 idiomas oficiales de la UE (útil para el soporte multilingüe), y según su ficha de modelo también traduce, resume y hace llamadas a funciones a partir de audio. La ventana de contexto es de 32k tokens.
En la prueba FLEURS de 45 idiomas de Mistral, Small obtiene una tasa de error de palabras del 4,0 % cuando detecta el idioma por sí mismo, empatado con Microsoft AI Transcribe 2 y muy por delante de Whisper large-v3, con 14,9 %. El modelo Mini obtiene 4,5 % por algo menos de dinero. Desgloso cada gráfico, incluido dónde Voxtral no va primero, en mi reseña de Voxtral 3.
Ambos modelos por lotes admiten context biasing: envías una lista de términos (nombres de productos, personas, SKU) y el modelo los escribe correctamente sin ningún ajuste fino. En la prueba de frases clave de Mistral, esa lista eleva la exhaustividad de Small del 81,4 % al 94,6 %, así que trátala como algo por defecto, no como un extra.
El modelo en tiempo real es el que usa un agente en directo. Tú eliges cuánto espera antes de confirmar palabras, y esperas más largas significan menos errores. También predice cuándo ha terminado de hablar quien habla, usando tanto el sonido como el significado de las palabras, que es lo que evita que un bot de voz interrumpa a alguien a mitad de frase. Eso importa para el soporte telefónico con IA, donde quien llama hace pausas para leer números de pedido.
El modelo de voz
Voxtral Mini TTS 3 convierte texto en voz en más de 35 idiomas y más de 50 dialectos, con voces predefinidas en 18 idiomas. La ficha del modelo indica unos 90 ms hasta el primer audio en streaming, 34 etiquetas de emoción y 2 de ritmo que se escriben en línea, y clonación de voz a partir de un clip corto. Para voces de marca, "Pro Voice" crea una copia más fiel a partir de unos 30 minutos de audio.
Las muestras de sonido de la página de lanzamiento apuntan a justo lo que hace tropezar a las voces de soporte: leer una dirección de correo, la hora de un vuelo, un precio en libras. Mistral también afirma que 13 $ por 1M de caracteres es más barato que ElevenLabs Flash, OpenAI TTS-1, Deepgram y Gemini Flash. Aun así, a no todo el mundo le gusta el nuevo sonido:
"The examples they give of how they "improved" the voices aren't great. Version 1 sounded like actual people, while this version sounds like generic AI slop voice."
Es un solo oyente, y el gusto en voces es personal. Aun así, es una buena razón para generar muestras con tus propios guiones antes de elegir una voz.
¿Cómo funciona el agente de voz de Voxtral 3?
El agente de voz ejecuta un bucle de tres etapas en cada turno de la conversación. Según la documentación de agentes de voz, el modelo en tiempo real transcribe a quien llama y detecta cuándo ha parado, un modelo de chat como Mistral Small 4 decide qué decir y llama a las herramientas, y Voxtral TTS pronuncia la respuesta. Las etapas se alimentan entre sí en streaming en lugar de esperar, así que Mistral dice que cada turno termina en menos de un segundo, y el agente deja de hablar cuando quien llama lo interrumpe.
Durante una llamada, el agente puede usar llamadas a funciones, búsqueda web, bibliotecas de documentos y tus propias funciones, por ejemplo para verificar a quien llama o reservar una cita. Funciona en navegadores y apps por WebRTC, y en líneas telefónicas por SIP. El SDK se apoya en LiveKit para el transporte de audio.
Un comentarista de Hacker News dio en el clavo sobre por qué esta es la parte interesante del lanzamiento:
"I think the special sauce of this isn't the STT/TSS (although it does appear to be quite good) - it's the integration of a real-time reasoning model to actually do something with the raw text of the conversation, and whatever they're doing to hide tool call latency if the model needs to search for something."
Estoy de acuerdo, y también es donde el trabajo recae en ti. Las herramientas son genéricas: no hay una idea incorporada de tu helpdesk, tu sistema de pedidos o tus tickets anteriores. En nuestras llamadas de ventas en eesel, lo más pedido con diferencia es un agente que aprenda de tickets anteriores, porque ahí están las respuestas reales de una empresa. Con Voxtral, conectar eso es trabajo de integración que te toca a ti. Si estás definiendo a qué debería poder acceder un agente de IA para call center, decídelo antes de conectar herramientas.
Dos límites del lanzamiento importan sobre todo para soporte. Las llamadas telefónicas por SIP son solo para enterprise en el lanzamiento, gestionadas a través del equipo de cuentas de Mistral, mientras que la voz web y en apps está abierta a todos. Y las herramientas que se ejecutan en el navegador del usuario no funcionan en llamadas telefónicas, así que todo lo que necesite un agente telefónico tiene que ejecutarse en tu servidor.
¿Qué hay de nuevo respecto a Voxtral 2?
La versión corta: más idiomas, mucha mejor diarización, una nueva capa de agentes y pesos cerrados.
Qué ha mejorado:
- Diarización. La tasa de error del modelo Mini en el benchmark de diarización de Mistral bajó del
30,9 %de Voxtral Mini Transcribe 2 al18,6 %de Mini Transcribe 3. En grabaciones de llamadas, saber qué líneas eran del cliente es la mitad del valor. - Idiomas. La transcripción por lotes ahora cubre 50 idiomas, con la adición de idiomas asiáticos e indios de pocos recursos.
- Context biasing. Los términos ahora pueden ser frases de varias palabras, y una frase de contexto libre funciona sin conexión.
- Funciones en tiempo real. La diarización, las referencias de hablante y la detección de turnos ahora funcionan en sesiones en tiempo real.
- Control de voz. La emoción pasa de voces predefinidas separadas (como
gb_jane_sad) a etiquetas en línea[emotion=...], y las voces clonadas se pueden guardar una vez y reutilizar por ID.
Qué se rompe, según la guía de migración:
- Las marcas de tiempo por palabra han desaparecido. Pedir la granularidad
worddevuelve un error400, así que cambia a marcas de tiempo por segmento. - Las sesiones en tiempo real bloquean su configuración en el primer fragmento de audio, así que envía todos los ajustes desde el principio.
- Los segmentos diarizados pueden solaparse cuando dos personas hablan a la vez.
Una función aparece listada pero no se ha lanzado: las instrucciones de estilo, el control de texto libre tipo "dilo con calidez", aparecen tachadas en la documentación como no disponibles en el lanzamiento.
Por qué importan los pesos cerrados
Los primeros modelos Voxtral de julio de 2025 y el modelo Voxtral Mini 4B Realtime eran de pesos abiertos en Hugging Face. Voxtral 3 no. El lanzamiento menciona el "autodespliegue", pero eso significa un contrato: las configuraciones on-prem y de nube privada pasan por el equipo de ventas de Mistral.
"You have to call sales to get access for on-prem deployment and the models. If it were open weights, it would be on Huggingface and they would have put a link in the post"
Para un aficionado que ejecuta voz en un portátil, es una pérdida real. Para un equipo de soporte enterprise, una API alojada en la UE más on-prem por contrato es una compra normal y, posiblemente, el camino más seguro para el audio de llamadas bajo la Ley de IA de la UE. Mistral sigue publicando modelos abiertos en otros ámbitos, como muestran sus planes de Mistral Large 4.
¿Cuánto cuesta Voxtral 3?
Voxtral 3 se cobra por minuto de audio en la transcripción y el agente, y por carácter en la voz. Estos son los precios de lista de lanzamiento de Mistral:
| Carga de trabajo | Tarifa | 1.000 llamadas de cinco minutos |
|---|---|---|
| Transcribir grabaciones con Mini | $0.0035/min | $17.50 |
| Transcribir grabaciones con Small | $0.004/min | $20 |
| Transcripción en directo | $0.008/min | $40 |
| Agente de voz con Mistral Small 4 | $0.04/min | $200 |
| Agente de voz con un modelo mayor | $0.08/min | $400 |
El patrón es lo útil. Transcribir todas las llamadas que ya atiendes para el control de calidad cuesta calderilla. Que una IA atienda las llamadas cuesta 10 a 20 veces más, porque el razonamiento y la voz son donde está la factura. Una llamada de cinco minutos a través de la API de agente sale a 0,20 $. Esa es la cifra que hay que meter en tus cuentas del ROI del call center.
Para un desglose de costes más a fondo de los modelos de chat detrás del agente, consulta los precios de Mistral AI. Para contexto sobre pilas de voz rivales, compara GPT Realtime y Grok Voice Think Fast 2 en las páginas de sus propios proveedores, ya que los precios de voz se han movido rápido este año.
¿Qué modelo de Voxtral 3 deberías usar?
Elige por tarea, no por el modelo más grande. Así lo asignaría yo:
- Analítica de llamadas y control de calidad: Mini Transcribe 3. Está a medio punto de Small en la prueba de Mistral y es la línea más barata de la lista. Combínalo con la redacción de PII antes de que las transcripciones vayan a ningún sitio compartido.
- Reuniones y grabaciones con varios hablantes: Small Transcribe 3, por la mejor diarización del gráfico de Mistral.
- Un asistente de voz en el navegador o en una app: la API de agente de voz. Está bien diseñada, pero cuenta con su estado de versión preliminar.
- Una IA en tu número de teléfono de soporte: espera, salvo que seas un cliente enterprise con acceso a SIP, y presupuesta la integración con el helpdesk.
- Voz local, sin conexión: no Voxtral 3. Mira las alternativas a Mistral o los pesos abiertos antiguos de Voxtral.
Si estás comparando Voxtral con otros modelos de voz, Gemini 3.5 Transcribe, MAI-Transcribe 2 y Cartesia Sonic 3 son los más parecidos.
Para productos completos en lugar de modelos, mis resúmenes de empresas de voz con IA y de la mejor IA para soporte por voz cubren el sector.
Qué significa Voxtral 3 para los equipos de soporte
Voxtral 3 hace que la parte de voz de un agente de soporte sea barata y buena. No hace que el agente conozca tu negocio. Ese hueco es donde se atascan la mayoría de los proyectos de voz: el bot oye perfectamente a quien llama y luego da una respuesta segura pero equivocada sobre la política de reembolsos.
En eesel llevamos años poniendo agentes de IA en colas de soporte reales, y la lección se repite en cada despliegue. La precisión viene de lo que el agente aprende (tickets anteriores, artículos del centro de ayuda, macros) y de probarlo con conversaciones reales antes de que hable con un cliente. Por eso cada despliegue de eesel se simula primero con tickets históricos. Un micrófono mejor no cambia ese orden de trabajo.
Así que si estás planificando la automatización del call center, yo lo secuenciaría así: automatiza primero los canales escritos con un agente de IA para atención al cliente, donde se construyen y prueban las respuestas, y luego dale voz a ese mismo conocimiento. Voxtral 3 es un candidato sólido para la capa de voz cuando se abra SIP.
Prueba eesel para tener las respuestas detrás de la voz
Voxtral es infraestructura; eesel es el empleado. Nuestro compañero de IA para helpdesk se une al helpdesk que ya usas, como Zendesk o Freshdesk, aprende de tus tickets anteriores y responde en el idioma en que escribió el cliente.
Esa parte multilingüe es lo que la lista de idiomas de Voxtral no puede hacer por sí sola. Koffer.ch, una tienda suiza de maletas, hace que eesel redacte respuestas de Freshdesk en alemán, francés, inglés o italiano, según el cliente, con ortografía suiza. smava lo usa con 27.000 tickets de Zendesk en alemán al mes.
Si tu soporte funciona hoy por correo y chat, empieza por ahí. Prueba eesel gratis con tus propios tickets anteriores y mira qué habría respondido.