¿Qué es Voxtral 3 (Transcribe and TTS)?
Voxtral 3 es la familia de modelos de voz de Mistral AI, publicada en versión preliminar pública el 20 de octubre de 2026. Tiene cuatro modelos: Voxtral Small Transcribe 3 y Voxtral Mini Transcribe 3, de 4.000 millones de parámetros, para audio grabado, con etiquetas de hablante (diarización) y marcas de tiempo; Voxtral Mini Transcribe Realtime 3 para transcripción en directo en menos de 500 milisegundos; y Voxtral TTS 3, que lee texto en voz alta con clonación de voz zero-shot y streaming. Mistral lanzó el mismo día una canalización gestionada de agentes de voz y un SDK.
La transcripción cubre 50 idiomas, entre ellos las 24 lenguas oficiales de la UE, y la salida de voz más de 35 idiomas. Los modelos están disponibles a través de la API de Mistral con endpoints en la UE, Estados Unidos y globales. A diferencia de algunas versiones anteriores de Voxtral, no se han publicado pesos; Mistral solo ofrece el despliegue propio como acuerdo enterprise.
Los precios de lanzamiento publicados son 0,0035 $ por minuto para Mini Transcribe 3, 0,0040 $ para Small Transcribe 3, 0,008 $ para el modelo en tiempo real y 13 $ por millón de caracteres para la voz.
¿Cuánto cuesta Voxtral 3 (Transcribe and TTS)?
| Plan | Precio | Qué incluye |
|---|---|---|
| Mini Transcribe 3 | $0.0035 a minute | Audio grabado, diarización y marcas de tiempo |
| Small Transcribe 3 | $0.0040 a minute | |
| Mini Transcribe Realtime 3 | $0.008 a minute | Transcripción en directo por debajo de 500 ms |
| TTS 3 | $13 per million characters | Clonación de voz zero-shot, streaming |
Mini Transcribe 3 0,0035 $ por minuto; Small Transcribe 3 0,0040 $ por minuto; Mini Transcribe Realtime 3 0,008 $ por minuto; TTS 3 13 $ por millón de caracteres (precios de lanzamiento según lo publicado).
¿Merece la pena Voxtral 3 (Transcribe and TTS)?
La transcripción de Voxtral 3 es el motivo para fijarse en ella. Artificial Analysis midió una tasa de error por palabra del 2,1% para Small Transcribe 3, 0,1 puntos por detrás de MAI-Transcribe-2 de Microsoft y 0,1 por delante de ElevenLabs Scribe v2, y del 2,2% para el Mini, más barato. A 0,0035 $ por minuto, una hora de audio cuesta unos 21 céntimos, frente a los 0,22 $ por hora de Scribe v2, así que iguala a los líderes en precisión y en precio.
Las cifras de la propia Mistral respaldan el etiquetado de hablantes: un 18,4% de error de diarización para Small, por delante del 19,0% de Pyannote y muy por delante del 38,4% de Gemini 3.5 Transcribe. El modelo en tiempo real cambia precisión por velocidad de forma previsible, desde un 5,7% de error con 2,4 segundos de retardo hasta un 7,4% con 240 milisegundos, así que los agentes de voz deberían comprobar dónde cae su presupuesto de latencia.
La parte de síntesis de voz destaca menos. Voxtral TTS 3 ocupa el puesto 13 en la clasificación de voz de Artificial Analysis a 13 $ por millón de caracteres, unos 70 céntimos por hora de voz. Supera en 127 puntos Elo al TTS abierto de 4B que Mistral publicó en marzo, pero queda por detrás de Eleven v4 de ElevenLabs.
Hay dos cosas que sopesar. Los cuatro modelos están en versión preliminar pública, así que los precios y el comportamiento pueden cambiar. Y a diferencia de Voxtral Realtime y Voxtral 4B TTS a principios de este año, no hay pesos descargables: los equipos que necesiten voz sin conexión deberían seguir con esas versiones abiertas anteriores.
Dónde se gana su sitio
Una empresa europea de analítica de centros de llamadas
Transcribir y etiquetar los hablantes de miles de horas de llamadas
Small Transcribe 3 se encarga de la diarización y las marcas de tiempo a través del endpoint de la UE de Mistral. 10.000 horas cuestan unos 2.400 $ a 0,0040 $ por minuto.
Un equipo que construye un agente de voz telefónico
Escuchar a quien llama en tiempo real y responder con una voz natural
Combina Mini Transcribe Realtime 3 con TTS 3 en el SDK de agentes de voz de Mistral. Fija el retardo de transcripción entre 480 y 960 ms para mantener el error cerca del 6%.
Un editor de pódcasts o de vídeo
Producir transcripciones y subtítulos multilingües precisos
Mini Transcribe 3, a 0,0035 $ por minuto, queda a 0,1 puntos de Small en Artificial Analysis; un episodio de 60 minutos cuesta unos 21 céntimos.
Antes de decidirte
- Puesta en marcha
- Llama a voxtral-mini-transcribe-3-0, voxtral-small-transcribe-3-0, voxtral-mini-transcribe-realtime-3-0 o voxtral-mini-tts-3-0 en la API de Mistral, eligiendo el endpoint de la UE, de Estados Unidos o global.
- Integraciones
- API de Mistral y canalización Voice Agents; SDK de agentes de voz basado en LiveKit que cubre escucha, razonamiento, llamadas a herramientas y voz.
- Datos y privacidad
- Solo API; sin pesos ni licencia publicados. Las condiciones de la API de Mistral le permiten entrenar con los datos del plan gratuito salvo que te excluyas, con opción de exclusión en el pago por uso; revísalas para el audio antes de enviar llamadas sensibles. El despliegue propio es un acuerdo enterprise.
- Coste a escala
- 100.000 horas de transcripción cuestan unos 21.000 $ con Mini o 48.000 $ en tiempo real. La salida de voz a 13 $ por millón de caracteres sale por unos 70 céntimos por hora de audio.
- Límites
- Versión preliminar pública. El error en tiempo real sube del 5,7% con 2,4 s de retardo al 7,4% con 240 ms. Salida de voz en más de 35 idiomas; transcripción en 50.
Lo bueno
- Tasa de error por palabra del 2,1% en Artificial Analysis, entre los tres primeros
- Unos 21 céntimos por hora de audio con Mini Transcribe 3
- Error de diarización del 18,4%, por delante de Pyannote y Gemini, según Mistral
- Endpoints en la UE, Estados Unidos y globales; transcripción en 50 idiomas
Lo malo
- Sin pesos abiertos, a diferencia de versiones anteriores de Voxtral
- Versión preliminar pública; los precios y los modelos pueden cambiar
- TTS 3 ocupa el puesto 13 en la clasificación de voz de Artificial Analysis
- La precisión en tiempo real cae a un 7,4% de error con 240 ms de retardo
Ideal para
Equipos que transcriben grandes volúmenes de reuniones, llamadas o contenidos multimedia, sobre todo en Europa, y quieren una precisión de primer nivel a un coste por minuto bajo.
Alternativas a Voxtral 3 (Transcribe and TTS)
Voxtral 3 (Transcribe and TTS): preguntas frecuentes
- ¿Merece la pena Voxtral 3 (Transcribe and TTS)?
- Cerca de lo más alto en las pruebas independientes de transcripción a un tercio de céntimo por minuto, con endpoints en la UE; la parte de síntesis de voz es solo competitiva y esta vez no hay nada con pesos abiertos. Le damos un 4.4 sobre 5.
- ¿Cuánto cuesta Voxtral 3 (Transcribe and TTS)?
- Mini Transcribe 3 0,0035 $ por minuto; Small Transcribe 3 0,0040 $ por minuto; Mini Transcribe Realtime 3 0,008 $ por minuto; TTS 3 13 $ por millón de caracteres (precios de lanzamiento según lo publicado).
- ¿Qué inconvenientes tiene Voxtral 3 (Transcribe and TTS)?
- Sin pesos abiertos, a diferencia de versiones anteriores de Voxtral; versión preliminar pública; los precios y los modelos pueden cambiar; tTS 3 ocupa el puesto 13 en la clasificación de voz de Artificial Analysis; la precisión en tiempo real cae a un 7,4% de error con 240 ms de retardo.
- ¿Para quién es Voxtral 3 (Transcribe and TTS)?
- Equipos que transcriben grandes volúmenes de reuniones, llamadas o contenidos multimedia, sobre todo en Europa, y quieren una precisión de primer nivel a un coste por minuto bajo.
- ¿Cuánto cuesta Voxtral 3 (Transcribe and TTS) para un equipo o en producción?
- 100.000 horas de transcripción cuestan unos 21.000 $ con Mini o 48.000 $ en tiempo real. La salida de voz a 13 $ por millón de caracteres sale por unos 70 céntimos por hora de audio.
- ¿Es Voxtral 3 (Transcribe and TTS) seguro para los datos de la empresa?
- Solo API; sin pesos ni licencia publicados. Las condiciones de la API de Mistral le permiten entrenar con los datos del plan gratuito salvo que te excluyas, con opción de exclusión en el pago por uso; revísalas para el audio antes de enviar llamadas sensibles. El despliegue propio es un acuerdo enterprise.
- ¿Cuáles son las mejores alternativas a Voxtral 3 (Transcribe and TTS)?
- Las alternativas más cercanas que hemos analizado son ElevenLabs Scribe v2, Gemini 3.5 Transcribe, Deepgram Nova-3 y GPT Transcribe.
Respuestas comprobadas el 25 oct 2026.