Puntos clave
- Voxtral 3 es la nueva generación de modelos de voz de Mistral AI, formada por Transcribe (audio a texto) y Speech (texto a audio), presentada el 20 de octubre de 2026.
- No es una app independiente: funciona como motor de la nueva API de agentes de voz de Mistral, que incluye un SDK construido sobre LiveKit para audio en tiempo real.
- Voxtral 3 Speech admite más de 35 idiomas y la función Pro Voice permite clonar una voz con unos 30 minutos de grabaciones.
- Todavía no hay una página dedicada al producto; la información oficial y el acceso se gestionan a través del sitio de Mistral AI, mistral.ai.
Datos rápidos
| Tipo | Modelos de voz (transcripción y síntesis) vía API |
|---|---|
| Dispositivos | Servicios en la nube; se integran desde apps y servidores |
| Precio | No confirmado; consultar mistral.ai |
| Idiomas | Speech: más de 35 idiomas |
| Lo destacado | API de agentes de voz con SDK sobre LiveKit |
| Dificultad | Media; requiere conocimientos de desarrollo |
| Categoría | IA y modelos |
| Creador | Mistral AI |
| Sitio oficial | mistral.ai ↗ |
| Popularidad | 🔥 274,4K Popularidad |
| Última actualización |
Qué es Voxtral 3 y por qué se ha vuelto tendencia
Voxtral 3 es la generación más reciente de los modelos de voz de Mistral AI, la compañía francesa de inteligencia artificial. Se presentó el 20 de octubre de 2026 y no llega como un único modelo, sino como un par complementario: Voxtral 3 Transcribe se encarga de convertir audio hablado en texto, mientras que Voxtral 3 Speech hace lo contrario, generar audio hablado a partir de texto. Mistral describe ambos como estado del arte en sus respectivas tareas.
La novedad importante es que ninguno se plantea como una aplicación final para el usuario. Juntos forman el motor de la nueva API de agentes de voz de Mistral, un conjunto de herramientas pensado para construir asistentes que escuchan a las personas y responden en voz alta. Es decir, Voxtral 3 no compite directamente con asistentes de consumo, sino con la infraestructura que hay detrás de ellos.
Por eso está generando interés: equipos que desarrollan agentes de voz suelen combinar proveedores distintos para oír, hablar y gestionar el audio en tiempo real. Voxtral 3 reúne esas piezas en un solo lugar, con el respaldo de Mistral AI. Aun así, conviene recordar que no existe una página dedicada al producto; la referencia oficial es el sitio de la compañía, mistral.ai.
- Dos modelos, un flujo completo
Transcribe entiende el habla y Speech la produce. Juntos cubren el ciclo de escuchar y responder, sin depender de proveedores separados.
- Enfoque para desarrolladores
No hay app de usuario final: el acceso es mediante API, pensada para integrarse en productos y servicios existentes.
- Presentación reciente
Anunciado el 20 de octubre de 2026, todavía no cuenta con una página propia de producto dentro del sitio de Mistral AI.
Cómo funcionan Transcribe, Speech y la clonación de voz
Voxtral 3 Transcribe recibe audio y devuelve texto, lo que sirve para transcribir reuniones, llamadas, notas de voz o cualquier contenido hablado. Voxtral 3 Speech recorre el camino inverso: toma texto y genera una locución con voz natural. Mistral afirma que ambos alcanzan un nivel de estado del arte, aunque no se han detallado cifras concretas de rendimiento en la información disponible.
En el lado de la salida, Voxtral 3 Speech admite más de 35 idiomas, lo que lo hace útil para productos multilingües que necesitan atender a usuarios en distintas lenguas. Además, la función Pro Voice añade clonación de voz: basta con proporcionar alrededor de 30 minutos de grabaciones para que el modelo reproduzca esa voz. Esto resulta clave cuando un agente debe mantener un sonido consistente y reconocible.
La clonación de voz plantea también consideraciones éticas y legales. Mistral no ha detallado en la información disponible qué salvaguardas acompañan a Pro Voice, como verificaciones de consentimiento o marcas de agua. Si planeas usarla, conviene revisar los términos y las políticas de uso aceptable en el sitio oficial antes de clonar cualquier voz.
- Transcribe para entender
Convierte habla en texto y es la base para que un agente comprenda lo que dice la persona al otro lado.
- Speech para responder
Genera audio a partir de texto en más de 35 idiomas, con la posibilidad de mantener una voz coherente entre respuestas.
- Pro Voice y clonación
Con unos 30 minutos de grabaciones se puede reproducir una voz concreta. Verifica siempre el consentimiento y las políticas aplicables.
La API de agentes de voz y el SDK sobre LiveKit
El verdadero producto que Mistral pone sobre la mesa es su API de agentes de voz. Esta API conecta los modelos Transcribe y Speech para que un asistente pueda escuchar, razonar y contestar en voz alta dentro de una misma conversación. No se trata solo de dos modelos sueltos, sino de un flujo gestionado que reduce el trabajo de integración para los equipos.
Para facilitar esa integración, la API incluye un SDK construido sobre LiveKit, el framework de código abierto para audio y vídeo en tiempo real. Esto significa que micrófonos, llamadas y transmisión de audio pueden conectarse a un agente sin tener que construir desde cero toda la infraestructura de audio. LiveKit se encarga de la parte de tiempo real, mientras Voxtral 3 aporta la comprensión y la generación de voz.
El atractivo para los desarrolladores es tener el bucle completo de una sola compañía: oír con Transcribe, hablar con Speech y la fontanería del agente con la API y el SDK. Muchos equipos hoy ensamblan estas piezas con varios proveedores, lo que añade coste, latencia y complejidad. Voxtral 3 promete simplificar ese rompecabezas, aunque el acceso sigue siendo mediante API y requiere conocimientos técnicos.
- Un solo proveedor para todo el bucle
Transcribe, Speech y la capa de agente vienen de Mistral AI, lo que puede reducir integraciones y dependencias externas.
- SDK sobre LiveKit
LiveKit aporta la infraestructura de audio en tiempo real, de modo que el equipo se centra en la lógica del agente y no en el transporte de audio.
- Pensada para producción
Al ser una API, está orientada a integrarse en aplicaciones, centralitas o servicios de atención, no a un uso casual desde el navegador.
Comparación, límites y para quién es Voxtral 3
Frente a otros modelos de voz, la propuesta de Mistral AI destaca por combinar transcripción, síntesis y agentes en un mismo paquete. Muchos competidores ofrecen piezas separadas o se centran en una sola tarea. Voxtral 3 intenta cubrir el ciclo completo, con la ventaja de un SDK sobre LiveKit que ya resuelve el audio en tiempo real. Aun así, no se han publicado comparativas detalladas ni cifras de latencia o precisión en la información disponible.
El principal límite hoy es la falta de una página dedicada al producto. No hay una demo pública ni una app para probarlo sin escribir código, y tampoco se conocen precios ni límites de uso concretos. Quien quiera evaluarlo tendrá que consultar el sitio oficial de Mistral AI, mistral.ai, y revisar la documentación de la API para ver disponibilidad, cuotas y condiciones.
Voxtral 3 encaja sobre todo en equipos de desarrollo que construyen asistentes de voz, centros de contacto, aplicaciones de accesibilidad o herramientas de transcripción multilingüe. Si buscas una app lista para usar, no es el camino. Si en cambio necesitas integrar voz en un producto y prefieres un único proveedor para escuchar y hablar, es una opción a seguir de cerca, siempre verificando los detalles actuales en la web oficial.
- Ventaja de la integración única
Reunir transcripción, síntesis y agentes evita combinar varios proveedores, algo habitual y costoso en proyectos de voz.
- Sin demo ni app pública
No hay una forma sencilla de probarlo sin desarrollo; el acceso es mediante API y la información oficial está en mistral.ai.
- Datos pendientes de confirmar
Precios, cuotas, latencia y salvaguardas de clonación no están detallados en la información disponible; confírmalos en el sitio oficial.
Guía paso a paso
Revisa la información oficial en mistral.ai
Como no existe una página dedicada a Voxtral 3, empieza por el sitio de Mistral AI para confirmar disponibilidad, documentación y condiciones. Busca la sección de API y modelos de voz. Así sabrás si ya está abierto a nuevos usuarios o si sigue en acceso limitado.
Crea una cuenta de desarrollador y obtén acceso
El uso pasa por la API de Mistral, así que necesitarás una cuenta y una clave de API. Revisa los requisitos de registro y los términos de uso, especialmente si piensas emplear Pro Voice. Sin clave no podrás enviar audio ni generar voz.
Prueba Transcribe con un audio corto
Empieza con un archivo breve y claro para comprobar la calidad de la transcripción en tu idioma. Ajusta parámetros si la documentación lo permite y compara el resultado con el texto original. Esto te dará una idea rápida de si encaja en tu caso de uso.
Genera voz con Speech y evalúa los idiomas
Envía un texto de prueba y escucha la locución generada en los idiomas que necesites. Si vas a usar Pro Voice, prepara alrededor de 30 minutos de grabaciones y verifica que tienes consentimiento para clonar esa voz. Comprueba la coherencia del resultado antes de integrarlo.
Integra el SDK sobre LiveKit en tu agente
Para un agente en tiempo real, conecta el SDK basado en LiveKit con tu flujo de audio y encadena Transcribe y Speech. Prueba primero en un entorno de desarrollo para medir latencia y estabilidad. Después ajusta la lógica de conversación y despliega cuando el comportamiento sea fiable.
Preguntas frecuentes
¿Cuánto cuesta Voxtral 3 y dónde se contrata?
No se han publicado precios concretos en la información disponible. El acceso se gestiona a través de la API de Mistral AI, por lo que las tarifas y los límites de uso deberían aparecer en el sitio oficial, mistral.ai. Antes de integrarlo en producción, revisa la documentación y confirma si hay niveles gratuitos, planes de pago o cuotas por volumen.
¿Puedo probar Voxtral 3 sin saber programar?
En principio no, porque no es una aplicación de usuario final ni tiene una demo pública conocida. Voxtral 3 se ofrece como modelos dentro de una API, así que se necesita al menos una integración básica mediante código. Si buscas una herramienta lista para usar, quizá te convenga esperar a que Mistral publique una interfaz o un producto de consumo.
¿Qué diferencia hay entre Transcribe, Speech y Pro Voice?
Transcribe convierte audio hablado en texto, mientras que Speech hace lo contrario y genera voz a partir de texto en más de 35 idiomas. Pro Voice es una función adicional de Speech que permite clonar una voz con unos 30 minutos de grabaciones. Los tres forman parte del mismo ecosistema de voz de Mistral AI y se combinan en la API de agentes.
¿En qué se diferencia de otros modelos de voz del mercado?
La diferencia principal es que Mistral AI agrupa transcripción, síntesis y la capa de agente en una sola oferta, con un SDK construido sobre LiveKit para audio en tiempo real. Muchos competidores ofrecen solo una de esas piezas. Aun así, no hay comparativas públicas detalladas de Voxtral 3 frente a alternativas, así que conviene probarlo con tus propios audios.
¿Es seguro clonar una voz con Pro Voice?
La clonación de voz exige consentimiento de la persona cuya voz se reproduce y el cumplimiento de las políticas de uso de Mistral AI. En la información disponible no se detallan salvaguardas concretas, como verificaciones o marcas de agua. Antes de usar Pro Voice, revisa los términos en el sitio oficial y asegúrate de tener permiso explícito para evitar usos indebidos.
