Mistral lanza Voxtral 3, un sistema de IA por voz para más de 50 idiomas

La empresa francesa de inteligencia artificial Mistral ha lanzado Voxtral 3, una nueva familia de modelos de voz y un kit de desarrollo de software (SDK) para agentes de voz diseñado para crear sistemas conversacionales de inteligencia artificial en tiempo real que pueden escuchar, razonar, hablar y actuar. El componente de transcripción cubre 50+ idiomas, mientras que el componente de texto a voz admite 35+ idiomas y 50+ dialectos.

El lanzamiento incluye dos modelos de voz principales junto con un conjunto de herramientas para desarrolladores. El modelo de transcripción, llamado Voxtral Small Transcribe 3, se encarga de las tareas de voz a texto. El modelo de texto a voz, Voxtral Mini TTS 3, genera una salida de voz con sonido natural que puede cambiar su emoción, ritmo y énfasis según la conversación.

Mistral afirma que el modelo de transcripción Small alcanza resultados de vanguardia en reconocimiento de voz multilingüe y diarización —la tarea de identificar quién habló y cuándo. También supera a modelos anteriores de OpenAI (Whisper), Google (Gemini 3.5 Transcribe) y Scribe (Scribe v2) en pruebas de referencia, según la compañía ¹. La variante Mini, que contiene 4 mil millones de parámetros, tiene un precio de $0,0035 por minuto de audio .

Una característica clave es el context biasing (sesgo contextual), que permite a los desarrolladores alimentar al modelo con términos clave o vocabulario técnico antes de que comience la transcripción. Esto ayuda al sistema a reconocer palabras específicas del sector sin necesidad de volver a entrenarlo, señala Mistral ¹.

El SDK de agente de voz es lo que une todo el sistema. Combina la escucha, el razonamiento a través de un modelo de lenguaje conectado, la invocación de herramientas como calendarios o bases de datos y la respuesta verbal al usuario, todo ello en una única canalización continua que funciona en tiempo real. Mistral apunta el sistema para su uso en centros de contacto, asistentes virtuales y copiletores manos libres ¹.

Para el clonaje de voz profesional, Mistral presentó Pro Voice, que puede reproducir el tono distintivo y el rango emocional de un hablante en distintos idiomas con solo 30 minutos de audio grabado ¹.

Al igual que con otros productos de Mistral, Voxtral 3 se ofrece a través de la API alojada en la Unión Europea de la compañía o bien puede desplegarse de forma autónoma en los servidores propios de una organización. Esto brinda a las empresas control sobre dónde se procesan los datos de audio y si las conversaciones se almacenan ¹.

Mistral, fundada en 2023 por exinvestigadores de Meta, ha crecido hasta convertirse en una de las principales empresas de inteligencia artificial de Europa. Cuenta con ASML, el fabricante neerlandés de equipos semiconductores, entre sus inversores ². El catálogo anterior de la compañía incluía modelos de lenguaje grandes como Mistral Large y el sistema de OCR de Mistral, pero Voxtral 3 marca su primer gran impulso hacia la tecnología dedicada de voz y agentes de voz .

In short

Los datos clave

• Voxtral 3 soporta transcripción en 50+ idiomas; la síntesis de voz cubre 35+ idiomas y 50+ dialectos
• El modelo Small Transcribe supera a sistemas anteriores de OpenAI, Google y Scribe en benchmarks
• El sesgo contextual permite que el modelo maneje vocabulario técnico sin volver a entrenarlo
• El clonaje Pro Voice funciona con solo 30 minutos de audio
• Disponible a través de la API alojada en la UE de Mistral o mediante despliegue autónomo

Correcciones y actualizaciones

• Corregido el 12 de noviembre de 2026. Una versión anterior afirmaba que Voxtral 3 podía actuar en más de 50 idiomas, pero la fuente aclaró que solo el componente de transcripción cubre 50+ idiomas, mientras que TTS admite 35+ idiomas y 50+ dialectos. Una versión anterior también citaba una valoración de $24,7 mil millones para Mistral, que ninguna fuente apoyaba; la versión revisada omitió esa afirmación no verificada. Una versión anterior afirmaba que tanto la transcripción como la síntesis de voz admitían 50+ idiomas, pero la fuente indica que la transcripción admite 50+ idiomas, mientras que TTS admite específicamente 35+ idiomas y 50+ dialectos.

Fuentes

1. Voxtral 3: Voice Agent SDK & Speech Models in 50+ Languages
2. Mistral AI — en.wikipedia.org

Mira

▶ Watch on YouTube