IA en un minutoNoticiasModelos
Mistral lanza Voxtral 3, sus nuevos modelos de voz con un SDK para crear agentes de voz en tiempo real
Redacción de IA en un minuto · Editor: Jon Elgezabal
En 30 segundos
Mistral estrena Voxtral 3, un conjunto de modelos que pasan a escrito lo que se dice en más de 50 idiomas y leen texto en voz alta con la entonación que pide cada conversación. Su kit para programadores permite montar agentes que atienden por teléfono o en la web, consultan herramientas y contestan casi sin espera. Se contrata en su API, con opción europea, o se instala en servidores de la propia organización.
Mistral presentó el martes 20 de octubre Voxtral 3, una familia de modelos para convertir voz en texto y texto en voz que llega acompañada de un SDK (un kit para desarrolladores) con el que crear agentes de voz. Según la empresa, ya se puede usar a través de su API, que tiene puntos de acceso en Europa, en Estados Unidos y uno global, y también instalar en infraestructura propia, de modo que cada organización controla dónde se procesa el audio y si se conserva.
La transcripción corre a cargo de tres modelos. Voxtral Small Transcribe 3, el más preciso, y Voxtral Mini Transcribe 3, más ligero (4.000 millones de parámetros), trabajan con más de 50 idiomas, entre ellos las 24 lenguas oficiales de la UE; distinguen qué dice cada persona en una conversación y aceptan palabras clave para afinar el resultado. Según las pruebas de Mistral, la versión Small supera a Whisper, Scribe v2 y Gemini 3.5 Transcribe. El tercero, Voxtral Mini Transcribe Realtime 3, transcribe en directo con menos de medio segundo de retraso y detecta cuándo alguien ha terminado de hablar.
El modelo de voz, Voxtral Speech 3, habla más de 35 idiomas y más de 50 dialectos, y ajusta la emoción, el ritmo y el énfasis al tono de la conversación. Puede reproducir una voz a partir de 30 minutos de audio y, según Mistral, su precio, 13 dólares por millón de caracteres, es inferior al que cobran por modelos parecidos Gemini Flash, ElevenLabs Flash, Deepgram y OpenAI TTS-1.
El SDK, construido sobre LiveKit, encadena en un mismo flujo escuchar, razonar con un modelo general como Mistral Small, usar herramientas y responder hablando. Como ninguna fase espera a que acabe la anterior, cada turno se completa en menos de un segundo, y el agente deja de hablar si la persona le interrumpe. Durante una llamada puede, por ejemplo, comprobar la identidad de quien llama, revisar una factura o reservar una cita; atiende y hace llamadas por SIP, funciona en navegadores y aplicaciones mediante WebRTC y se conecta a las centralitas y los sistemas de centro de contacto que ya se usen. Cada fase es un modelo distinto, así que se puede cambiar el de razonamiento, la voz o el idioma sin rehacer el agente.
La transcripción cuesta entre 0,0035 y 0,008 dólares por minuto según el modelo, y la API de agente de voz, 0,04 dólares por minuto con Mistral Small 4 como modelo de razonamiento u 0,08 con cualquier otro. Para montar todo el sistema en servidores propios o en una nube privada, Mistral pide contactar con su equipo y no publica precio. Los modelos se pueden probar en los espacios de pruebas de su plataforma Studio.
Por qué importa · análisis y opinión
Hasta ahora, montar un asistente que atendiera llamadas obligaba casi siempre a juntar piezas de varios proveedores: uno para entender la voz, otro para pensar la respuesta y otro para decirla. Mistral ofrece las tres juntas, y además cambiables por separado, con lo que compite de lleno con las grandes tecnológicas estadounidenses y con especialistas de voz como ElevenLabs. Su baza no es solo el precio, sino dónde se queda el audio: para hospitales, bancos o aseguradoras europeos, que las grabaciones no salgan de la UE puede pesar más que un punto de precisión. Lo que la página no aclara es cuánto cuesta instalarlo en servidores propios, justo la opción que más interesa a quien maneja datos delicados.
Fuente oficial: Mistral AI · Redactada con ayuda de IA: cómo hacemos las noticias
¿Qué significa para tu negocio? · análisis y opinión
Esta novedad interesa sobre todo a empresas pequeñas de España y Latinoamérica que atienden muchas llamadas o consultas por web: clínicas, despachos, comercios con atención al cliente o agencias que crean asistentes para terceros. No es una aplicación lista para usar, sino modelos y un SDK pensados para desarrolladores, así que quien no tenga a nadie técnico cerca lo verá, en todo caso, a través de proveedores que lo integren. Para un autónomo que solo quiere dictar notas, apenas cambia nada.
Lo que vemos más útil para una empresa europea es que se puede usar desde la API de Mistral alojada en la UE o instalar en servidores propios, y que cada organización decide si se guarda el audio. Las grabaciones de clientes son datos personales, así que conviene decidir desde el principio cuánto tiempo se conservan, avisar de que se habla con un agente automático y revisar el contrato con quien procese el audio.
Nuestro consejo es empezar con una prueba pequeña: una sola tarea, como dar citas o resolver dudas frecuentes, y una persona revisando las conversaciones las primeras semanas. Que la transcripción admita más de 50 idiomas ayuda con clientes extranjeros, pero la comparación con Whisper y Gemini 3.5 Transcribe es de la propia Mistral, y lo prudente es comprobarla con llamadas reales. El riesgo principal es que un agente que usa herramientas se equivoque al reservar o cambiar algo.
