Mistral lanza Voxtral 3: agentes de voz en 50 idiomas

Mistral abrió el acceso general a Voxtral 3, una familia de modelos de voz que une transcripción, síntesis de voz y un SDK de agentes conversacionales en una sola pila en tiempo real. El precio de entrada es difícil de ignorar: US$0,0035 por minuto para transcribir en lote y US$13 por millón de caracteres para generar voz. Para un founder que hasta ahora encadenaba un servicio de transcripción, un LLM y un motor de texto a voz de tres proveedores distintos, la propuesta es concreta: dejar de pagar tres facturas, arrastrar tres latencias y negociar tres contratos de datos por separado.

La compañía francesa ya venía construyendo ese terreno con inversión en cómputo europeo y productos empresariales. Voxtral 3 no es un modelo suelto, es una apuesta a que el agente de voz se compra como stack completo: escuchar, razonar, actuar y responder, con la opción de correrlo dentro de tu propia infraestructura.

¿Qué modelos incluye Voxtral 3 y para qué sirve cada uno?

La familia separa transcripción y generación de voz en modelos distintos, con precios públicos por uso:

• Voxtral Small Transcribe 3: el modelo de mayor precisión, con transcripción multilingüe y diarización (identificar quién habló y cuándo) sobre más de 50 idiomas, incluidos los 24 oficiales de la Unión Europea. Cuesta US$0,0040 por minuto.
• Voxtral Mini Transcribe 3: la variante eficiente, de 4.000 millones de parámetros, pensada para volumen y baja latencia. Sale US$0,0035 por minuto en modo lote.
• Voxtral Mini Transcribe Realtime 3: transcripción en vivo con latencia por debajo de 500 milisegundos en más de 35 idiomas, también con diarización y sesgo de contexto. Cuesta US$0,008 por minuto.
• Voxtral Speech 3: texto a voz con más de 35 idiomas y más de 50 dialectos, capaz de ajustar emoción, ritmo y énfasis según el contexto de la conversación. Cuesta US$13 por millón de caracteres y usa la misma API en lote y en tiempo real.

Dos detalles técnicos importan más de lo que parecen. El primero es el context biasing: puedes pasarle términos clave o texto libre al modelo para que priorice ese vocabulario específico, sin necesidad de fine-tuning. En un producto con jerga propia —nombres de planes, códigos de facturación, apellidos difíciles o terminología médica— eso es la diferencia entre una transcripción usable y una que un humano tiene que corregir a mano. El segundo es la predicción de fin de turno, que combina señales acústicas y semánticas para decidir cuándo el usuario terminó de hablar y reducir los cortes prematuros.

¿Cómo funciona el SDK de agentes de voz?

El SDK está construido sobre LiveKit y corre habla, razonamiento y respuesta como un único pipeline de streaming. La arquitectura tiene tres etapas encadenadas en paralelo: Voxtral Mini Transcribe Realtime 3 escucha y detecta el fin del turno, un modelo general —como Mistral Small— razona y llama herramientas, y Voxtral Speech 3 responde con el tono que tomó la conversación. Ninguna etapa espera a la anterior, así que cada turno se completa en menos de un segundo y el agente se calla cuando el interlocutor lo interrumpe.

Durante una llamada, el agente puede verificar la identidad de quien llama, consultar una factura o agendar una cita usando function calling, búsqueda web y recuperación sobre tus propios sistemas. Contesta y hace llamadas por SIP, corre en navegadores y apps por WebRTC y se conecta a la telefonía, el IVR y el software de contact center que ya uses.

Hay un detalle arquitectónico que importa a mediano plazo: como cada etapa es un modelo separado, puedes cambiar el LLM, la voz o el idioma sin reescribir el agente. Es la diferencia entre depender de un proveedor y operar una pila propia que puedes recomponer.

¿Cuánto cuesta un agente de voz en 2026?

Los precios publicados por Mistral son estos:

• Voxtral Mini Transcribe 3 (lote): US$0,0035 por minuto
• Voxtral Small Transcribe 3: US$0,0040 por minuto
• Voxtral Mini Transcribe Realtime 3: US$0,008 por minuto
• Voxtral Speech 3 (lote y tiempo real, misma API): US$13 por millón de caracteres

Para dimensionarlo: mil minutos de transcripción en lote equivalen a US$3,50, y el mismo volumen en tiempo real cuesta US$8. Es la razón por la que conviene segmentar por caso de uso antes de diseñar el producto, no después.

Mistral sostiene que, con estos precios, Voxtral Speech 3 es más barato de operar que modelos comparables de OpenAI, Deepgram, ElevenLabs y Google, y se adjudica el estado del arte en transcripción frente a Whisper, Scribe v2 y Gemini 3.5 Transcribe. Son afirmaciones de la compañía en su anuncio, no benchmarks auditados por terceros: tómalas como punto de partida para tu propia evaluación, no como conclusión.

El mercado al que entra no está vacío ni es barato. ElevenLabs duplicó su valoración a US$22.000 millones tras una venta secundaria de US$300 millones liderada por Wellington Management y T. Rowe Price, según Crypto Briefing. La compañía venía de una Serie D de US$500 millones liderada por Sequoia Capital y ya había superado los US$500 millones de ingresos recurrentes anuales, con agentes de voz que manejan más de 15 millones de conversaciones por semana, de acuerdo con el mismo medio. Entre sus clientes figuran Deutsche Telekom, Stripe y Revolut, y su apuesta por el tiempo real es Eleven v4 Turbo, con latencia media de inferencia cercana a los 100 milisegundos.

Traducción para un founder: la categoría ya tiene un líder muy capitalizado y clientes corporativos grandes. La ventaja de Mistral no va a ser el precio por sí solo, sino el control sobre dónde corre el audio.

¿Por qué la soberanía del audio puede cerrarte una venta?

Voxtral 3 está disponible a través de la API de Mistral alojada en Europa, con endpoints en Estados Unidos y globales, o para desplegar en tu propia infraestructura. En la práctica, la organización decide dónde se procesa el audio, cómo se maneja y si las conversaciones se retienen.

Eso conecta con la estrategia con la que Mistral viene vendiendo al mercado corporativo. Según el medio especializado Remio, la empresa cerró en septiembre una Serie D de 3.000 millones de euros liderada por Samsung Electronics, con una valoración post-money superior a los 21.000 millones de euros, frente a los 11.700 millones de valoración de su Serie C de septiembre de 2025, en la que levantó 1.700 millones. El mismo análisis señala que Mistral opera en 20 países con más de 125 grandes clientes empresariales, y que su director financiero, Johan Bergqvist, declaró a Reuters que la compañía aspira a alcanzar 1.000 millones de dólares en ingresos recurrentes anuales a finales de 2026.

El ángulo para una startup no es geopolítico, es comercial. Una conversación de voz es probablemente el dato más sensible que toca tu producto: contiene identidad, contexto financiero y emoción. Si vendes a banca, salud, seguros o sector público en España o en cualquier mercado con reglas estrictas de residencia de datos, un agente de voz que puede correr dentro de la infraestructura del cliente deja de necesitar una excepción de compliance. En una licitación, eso decide listas cortas.

¿Qué significa esto para tu startup?

• Mide tu latencia de turno antes de migrar. El cuello de botella real de un agente de voz casi nunca es la calidad del texto, es el tiempo que tarda en responder. Corre una prueba con tus propias grabaciones y cronometra el turno completo antes de comprometer arquitectura.
• Separa tus casos de uso por precio. Transcripción en lote a US$0,0035 por minuto para analizar llamadas grabadas, y la versión realtime a US$0,008 por minuto solo para conversaciones en vivo. La misma lógica aplica a la voz: no generes audio donde un texto o un formulario resuelve lo mismo.
• Prueba el context biasing antes de pensar en fine-tuning. Cargar tu vocabulario —nombres de producto, siglas internas, terminología sectorial— suele resolver la precisión sin entrenar nada. Es la vía más rápida para que la transcripción sirva en producción.
• Convierte la soberanía en argumento comercial. Si tu cliente exige que el audio no salga de su entorno, el despliegue self-hosted o la API europea te permiten responder que sí sin arquitectura adicional.
• Cuida el consentimiento en las voces clonadas. La adaptación Pro Voice reproduce el carácter y el rango emocional de un hablante con apenas 30 minutos de audio. Documenta la autorización de cada voz y define qué pasa con ella si el cliente se va: es un activo, y también un pasivo legal.

Conclusión

Voxtral 3 no inventa la categoría de agentes de voz, pero ataca un problema real: integrar escucha, razonamiento, herramientas y respuesta en un pipeline que responde en menos de un segundo, con precios por minuto publicados y una ruta de despliegue que no te obliga a mandar el audio a un tercero. Eso lo vuelve especialmente relevante para startups que venden a empresas reguladas o que quieren incluir voz en un producto sin contratar un equipo de infraestructura de audio.

La advertencia es la de siempre: los comparativos de precio y de precisión los publica el propio vendor. Antes de mover tu stack, mide latencia y coste por conversación con tus datos, no con los suyos.

Fuentes

• Voxtral 3 — Mistral AI (fuente original)
• ElevenLabs doubles valuation to $22B in $300M tender offer — Crypto Briefing
• La financiación Serie D de Mistral convierte la IA soberana en una apuesta full stack — Remio