Mistral lanza Voxtral 3, su IA de voz multilingüe

Mistral ha lanzado Voxtral 3, una plataforma de IA de voz que puede escuchar, interpretar, responder y ejecutar acciones en conversaciones en tiempo real. El sistema combina modelos de transcripción y síntesis de voz con un SDK para crear agentes capaces de atender llamadas, consultar sistemas y completar tareas en más de 50 idiomas.

La diferencia está en que no se limita a convertir voz en texto. Voxtral 3 coordina todo el proceso: detecta cuándo terminaste de hablar, entiende la petición, consulta herramientas externas y responde con una voz que adapta su ritmo, énfasis y emoción al contexto.

Una conversación que también puede resolver tareas

El SDK de Voxtral 3, construido sobre LiveKit, conecta varios modelos en un flujo continuo. Uno escucha y transcribe, otro razona y utiliza herramientas, y otro genera la respuesta hablada. Según Mistral, cada turno puede completarse en menos de un segundo y el agente deja de hablar si el usuario lo interrumpe.

En la práctica, un agente podría verificar tu identidad durante una llamada, consultar el estado de una factura y reservar una cita sin que una persona tenga que intervenir. También puede conectarse a sistemas propios mediante llamadas a funciones, búsquedas web y recuperación de información interna.

La tecnología funciona en llamadas telefónicas mediante SIP, en navegadores y aplicaciones mediante WebRTC, y con plataformas de telefonía, centralitas y centros de atención al cliente ya existentes.

Transcripción en más de 50 idiomas

Voxtral Small Transcribe 3 y Voxtral Mini Transcribe 3 transcriben conversaciones en más de 50 idiomas. Además de reconocer las palabras, pueden identificar quién dijo cada frase, una función conocida como diarización, y usar una lista de términos para mejorar la precisión en vocabulario técnico o empresarial.

También incorporan detección del final del turno. El sistema combina señales acústicas y el significado de la conversación para calcular cuándo has terminado de hablar, con el objetivo de responder rápido sin cortarte antes de tiempo.

La versión Voxtral Mini Transcribe Realtime 3 está diseñada para agentes de voz y ofrece una latencia inferior a 500 milisegundos en más de 35 idiomas. Sus precios publicados son:

• Voxtral Mini Transcribe 3: 0,0035 dólares por minuto.
• Voxtral Mini Transcribe Realtime 3: 0,008 dólares por minuto.
• Voxtral Small Transcribe 3: 0,004 dólares por minuto.

Mistral afirma que el modelo Small supera a Whisper, Scribe v2 y Gemini 3.5 Transcribe en sus evaluaciones de transcripción multilingüe y diarización.

Voces más expresivas y adaptables

Voxtral Speech 3 genera voz en más de 35 idiomas y 50 dialectos. Puede modificar la emoción, la velocidad y el énfasis según el contenido, algo útil cuando una respuesta debe sonar tranquilizadora, urgente, formal o cercana.

El sistema también permite seguir instrucciones sobre la forma de hablar y adaptar una voz a partir de más de 30 minutos de audio. La función Pro Voice busca conservar no solo el timbre, sino también el estilo y el rango emocional del hablante en distintos idiomas.

El precio anunciado para la generación de voz es de 13 dólares por cada millón de caracteres. Mistral asegura que resulta más barato que varias alternativas de OpenAI, Deepgram, ElevenLabs y Google, aunque el coste final dependerá del volumen y del diseño de cada aplicación.

Control sobre los datos

Voxtral 3 está disponible mediante la API de Mistral, con puntos de acceso europeos, estadounidenses y globales, y también puede desplegarse en servidores propios o en una nube privada. Esto permite decidir dónde se procesa el audio y si las conversaciones se conservan.

Para una empresa, ese control puede ser tan importante como la calidad de la voz. Un centro de atención puede automatizar parte de sus llamadas sin enviar necesariamente todas las grabaciones a una infraestructura externa.

Lo que conviene vigilar ahora es cómo se comportan estos agentes fuera de las demostraciones: con ruido, acentos, interrupciones y peticiones ambiguas. Voxtral 3 acerca la voz conversacional a tareas reales, pero su utilidad dependerá de que las empresas conecten bien el sistema con sus datos, reglas y procesos.