Thinking
Resumen
Voxtral 3 presenta un SDK de agentes de voz de vanguardia y modelos de habla de última generación diseñados para conversaciones multipaso en tiempo real en más de 50 idiomas. Combina transcripción precisa, síntesis de voz natural con adaptabilidad emocional e integración profunda de herramientas para una automatización fluida de flujos de trabajo. Disponible a través de la API de Mistral alojada en la UE o mediante despliegue propio, garantiza la soberanía de los datos mientras ofrece interacciones de baja latencia y de aspecto humano para centros de contacto, asistentes virtuales y copilotos manos libres.
La transcripción de voz y la generación de voz han avanzado mucho, pero construir agentes de voz de extremo a extremo capaces de escuchar, razonar, interactuar y gestionar flujos de trabajo complejos sigue siendo difícil.
Un agente de voz fiable necesita hacer cuatro cosas muy bien (y simultáneamente):
Escuchar con precisión en todos los idiomas, acentos, hablantes e interrupciones,
Razonar profundamente sobre lo que los usuarios quieren decir en contextos específicos,
Hablar de forma natural con emoción y expresividad, y
Tomar medidas en múltiples pasos a través de sistemas conectados.
Lograr que las cuatro funcionen juntas de manera fiable en tiempo real sigue siendo un desafío.
Para abordar esto, presentamos Voxtral 3: una nueva familia de modelos de voz a texto y texto a voz de última generación, junto con un SDK de agentes de voz que reúne la escucha, el razonamiento, la llamada de herramientas y el habla en una única canalización de streaming en tiempo real.
Voxtral 3 está diseñado para crear experiencias conversacionales naturales, desde agentes de centros de contacto y mesas de servicio hasta asistentes virtuales y copilotos manos libres. Con soporte para decenas de idiomas, habla expresiva, razonamiento complejo e integración profunda con sus propias herramientas y datos, los agentes creados con Voxtral pueden interpretar intenciones matizadas, razonar sobre solicitudes sofisticadas y ejecutar acciones multipaso a través de sistemas conectados.
Al igual que otros modelos de Mistral, la familia Voxtral 3 está diseñada para un despliegue soberano. Disponible hoy a través de la API de Mistral alojada en la UE o para despliegue propio en su propia infraestructura, otorga a las organizaciones control sobre dónde se procesa el audio, cómo se gestionan los datos y si se conservan las conversaciones.
Aspectos destacados
Transcripción precisa en más de 50 idiomas. El modelo de voz a texto, Voxtral Small Transcribe 3, es de última generación en transcripción multilingüe, identificando quién dijo qué (diarización) y utilizando frases clave para mejorar su precisión (sesgo contextual). Detecta cuándo alguien ha terminado de hablar para que los agentes puedan responder sin demora (detección de fin de turno).
Habla natural que se adapta a la conversación. El modelo de texto a voz, Voxtral Mini TTS 3, presenta nuevas voces que ajustan su emoción, ritmo y énfasis según el contexto conversacional, con soporte para más de 35 idiomas y más de 50 dialectos.
Inteligencia humanal a tu (hablada) orden. El nuevo SDK de agente de voz combina escuchar, razonar, llamar herramientas y hablar en una experiencia en tiempo real. Los agentes pueden recuperar información, interactuar con sistemas empresariales y completar tareas durante conversaciones en vivo por teléfono o web.
Pro Voice para una adaptación de voz con precisión distintiva. Para casos de uso profesionales donde la clonación básica de voz no es suficiente, la adaptación Pro Voice de Voxtral es capaz de reproducir el carácter distintivo de un hablante, su rango emocional y su estilo de habla en varios idiomas, usando solo 30 minutos de audio.
Tu IA de voz, en tu infraestructura. Usa la API alojada en la UE de Mistral o despliega Voxtral 3 en tu propia infraestructura. Mantén las conversaciones sensibles dentro de tu entorno y controla si se retiene algún audio.
Prueba Voxtral ahora | Aprende más
Escucha más de 50 idiomas, con precisión de vanguardia.
Voxtral Transcribe 3 representa un hito significativo en transcripción, diarización (quién habló cuándo) y capacidades de sesgo contextual. La lista de idiomas soportados se amplía a 50, incluyendo 24 idiomas oficiales de la UE y muchos idiomas asiáticos e índicos de bajos recursos.
La versión Small logra resultados de vanguardia en diarización y transcripción multilingüe, incluyendo inglés, francés y español. Supera a Whisper, Scribe v2 y Gemini 3.5 Transcribe. La variante Mini es de 4B parámetros, lo que permite transcripciones rápidas y precisas a un precio de $0.0035/min.
Ambos modelos soportan el sesgo contextual, donde se pueden proporcionar términos clave y texto de forma libre para sesgar la transcripción y mejorar la recuperación de términos técnicos. Esto permite usarlos en entornos de producción con vocabulario específico del dominio sin necesidad de ajuste fino.
FLEURS 45 Forced vs Inferred
Tasa de error de palabras — menor es mejor
Forced
Inferred
WER promedio macro sobre la intersección de 45 idiomas del benchmark FLEURS soportados por los siete modelos. Se usa WER para todos los idiomas excepto japonés, coreano, tailandés y chino, que usan CER. Menor es mejor.
Forced = idioma especificado; Inferred = idioma detectado automáticamente. Idiomas: AR, BN, BG, CA, ZH, CS, DA, NL, EN, ET, FI, FR, DE, EL, GU, HI, HU, IS, ID, IT, JA, KN, KO, LV, LT, MK, MS, ML, MR, NO, FA, PL, PT, RO, RU, SK, SL, ES, SV, FIL, TE, TH, TR, UK, VI
Diarización
WER de permutación mínima concatenado — cuanto más bajo, mejor
cpWER (WER de permutación mínima concatenado) promediado macro sobre benchmarks públicos de diarización: AMI-IHM, AMI-SDM, Switchboard, Switchboard CallHome, AISHELL-4. Para máxima compatibilidad de las líneas base de la API, usamos versiones de 30 minutos de AMI y AISHELL. Cuanto más bajo, mejor.
Benchmark de diarización, tasa de error de palabras con permutación mínima concatenada (cpWER).
Recall de frases clave
Con y sin indicaciones contextuales — cuanto más alto, mejor
Sin contexto
Con contexto
Voxtral Small Transcribe 3 está resaltado en colores de marca. Recall de frases clave en los benchmarks de Earnings 22. El sesgo de contexto contiene términos clave y una cantidad muestreada aleatoriamente de distractores, que varía de 0 a 100. Las barras son valores absolutos superpuestos: la barra exterior es el recall con contexto, la barra interior es el recall sin contexto; la banda visible es la mejora derivada de las indicaciones contextuales. Cuanto más alto, mejor.
Benchmark de recall de frases clave. Contexto = vocabulario específico del dominio y nombres de los oradores proporcionados al modelo.
Benchmark de Artificial Analysis
Tasa de error de palabras — cuanto más bajo, mejor
Índice WER de Artificial Analysis, un promedio ponderado sobre VoxPopuli, Earnings-22 y AgentTalk.
Cuanto más bajo, mejor.
Voxtral Realtime Transcribe 3 es un modelo de transcripción en tiempo real creado para casos de uso agentivos. Logra transcripciones de alta calidad con una latencia inferior a 500 ms en más de 35 idiomas, incluyendo diarización y sesgo de contexto.
FLEURS 35
Tasa de error de palabras en transcripción en tiempo real — cuanto más bajo, mejor
WER promediado macro sobre 35 idiomas del benchmark FLEURS. Se usa WER para todos los idiomas excepto japonés, coreano y chino, que usan CER. Cuanto más bajo, mejor. *Voxtral Mini Transcribe 3 es una línea base fuera de línea. Los demás modelos son en tiempo real.
Idiomas: AR, BN, BG, CA, CS, NL, EN, ET, FI, FR, DE, EL, GU, HI, ID, IT, JA, KN, KO, LV, MK, MS, ML, MR, NO, FA, PL, PT, RO, RU, SK, ES, FIL, TE, TR
La predicción de fin de turno está soportada de forma nativa, incorporando información tanto acústica como semántica para predecir con precisión cuándo un usuario ha terminado de hablar. Esto permite aplicaciones de agentes de voz de baja latencia, minimizando al mismo tiempo las tasas de corte falso cuando el usuario es interrumpido prematuramente.
Responde con la emoción adecuada, con la voz propia de tu marca o la de tu cliente y con el dialecto local.
Voxtral Mini TTS 3.0, disponible en batch y en tiempo real, alcanza una expresividad y un seguimiento de instrucciones de última generación para 35+ idiomas y 50+ dialectos. A $13 por cada 1M de caracteres, Voxtral TTS cuesta menos de ejecutar que modelos comparables de OpenAI TTS-1, Deepgram, ElevenLabs Flash y Gemini Flash.
El modelo de voz interpreta implícitamente mejor el significado semántico del contexto, produciendo habla natural en una amplia gama de emociones e idiomas. Las funciones nuevas y mejoradas incluyen clonación de voz a partir de más de 30 minutos de audio muestreado, seguimiento de instrucciones (IF) con prompts personalizados, TTS contextual y una biblioteca de vocabulario, todo lo cual sirve al objetivo de la confiabilidad del habla en el despliegue. Las variables para IF explícito incluyen emotion, pacing, y emphasis.
Prompt
Pongamos fin al debate aquí: es GIF.Predeterminado
Pista de fonema no estándar: dʒ ɪ f
Prompt
Espera… No es posible. ¿Este cuadro viene de Reims? Pero entonces… ¡Es el que mi abuela buscaba desde hace cincuenta años!Predeterminado
Pista de fonema no estándar: ʁ e i m s
Prompt
Nuestro nuevo asistente se llama Quivello.Default
Non-standard phoneme hint: tʃ i v ɛ l l o
Prompt
¡Hola! Soy Xyra, tu asistente personal.Default
Non-standard phoneme hint: z aɪ ɹ ə
Todo el habla que suena natural se basa en la emoción, que determina su prosodia, ritmo, cadencia, énfasis y transiciones. Voxtral TTS interpreta de forma nativa el contexto textual de un prompt para determinar la emoción y el estilo de voz, lo que hace que el modelo sea intrínsecamente mejor en el habla natural sin requerir instrucciones adicionales ni prompts de voz.
Voice Code Bench: calidad por dólar
Voice Code Bench, creado por BeSimple AI, se centra en los estados de fallo de soporte al cliente empresarial relacionados con números y nombres únicos.
Otro TTS
Mistral
Hacia arriba y a la izquierda es mejor.
Voice Code Bench (BeSimple AI): 300 prompts en inglés, 2 voces por sistema (femenina y masculina); juez gemini-3.8-flash; precios de las páginas de precios de los proveedores; generado el 2026-10-20.
Control de pronunciación: calidad por dólar
Proporción de clips donde la palabra objetivo se pronuncia como se pretende, con sus fonemas
Mistral
Otro TTS
Evaluación interna. Hacia arriba y a la izquierda es mejor. Los sistemas sin un control de pronunciación documentado se listan en los datos, pero no se trazan en el gráfico.
300 frases en inglés, cada una con una palabra rara o inventada (150 fáciles, 150 difíciles), 2 voces por sistema; el juez gemini-3.8-flash escucha el clip con el IPA previsto de la palabra; precios de las páginas de precios de los proveedores; generado el 2026-10-20.
Multilingüe: calidad por dólar
Puntuación media del juez en 11 idiomas, 1 voz nativa por idioma y sistema
Otro TTS
Mistral
Evaluación interna. Hacia arriba y a la izquierda es mejor. Los sistemas que cubren menos de 11 idiomas se listan en los datos, pero no se trazan en el gráfico.
377 prompts seleccionados para su lanzamiento, 11 idiomas, media no ponderada de las puntuaciones medias del juez por idioma, escala de 1 a 5; juez gemini-3.8-flash; precios de las páginas de precios de los proveedores; generado el 2026-10-20.
Inglés expresivo: calidad por dólar
Puntuación media del juez en one_eval, 237 prompts seleccionados para su lanzamiento
Otro TTS
Mistral
Evaluación interna. Hacia arriba y a la izquierda es mejor.
Expressive English (one_eval): 237 prompts seleccionados para su lanzamiento, 2 voces por sistema (Voxtral TTS: Sarah y James), escala de 1 a 5; juez gemini-3.8-flash; precios de las páginas de precios de los proveedores; generado el 2026-10-20.
Ilustrando el hill-climbing de Voxtral en expresividad, números y nombres únicos.
Prompt
Gracias por llamar a Mistral! Entiendo que tiene dificultades para iniciar sesión en AI Studio. ¿Puedo confirmar su dirección de correo electrónico? Tengo aquí elena.vance82@yahoo.com, ¿es correcto?Voxtral 1
Voxtral 3
Prompt
Vaya, qué rápido, he encontrado un vuelo para su próximo viaje. ¿Qué le parece el vuelo de Emirates a las 21:00pm el 10/10 con regreso el 10/25 a las 22:00pm por £1881? Dígame la palabra y reservo un asiento de ventanilla ahora mismo.Voxtral 1
Voxtral 3
Prompt
¡Wow, no puedo creer que estés embarazada! Esto es tan emocionante, felicidades Corina, ¡estoy tan feliz por ti!Voxtral 1
Voxtral 3
Prompt
¿Cómo que mi pasaporte no estará listo esta semana? -- Le he dicho varias veces que necesito ir a París por trabajo. Esto es ridículo. No puedo ni empezar a describir lo enfadado que estoy por esto.Voxtral 1
Voxtral 3
Voz con sonido local en 35 idiomas y más de 50 dialectos.
Voxtral TTS admite más de 35 idiomas y dialectos regionales. Nuestras evaluaciones multilingües respetan las diferencias dialectales en pronunciación, registro formal vs. informal, ortografía, verbosidad y convenciones locales (hora, fechas, temperaturas, direcciones, monedas).
Biblioteca multilingüe de Voxtral 3
Los Voice Presets están disponibles en 18 idiomas: árabe (emiratí, estándar moderno), brasileño (portugués), catalán, chino (mandarín), neerlandés, inglés (americano, británico), francés (Francia), alemán, griego, hindi, italiano, coreano, noruego, ruso, español (España) y vietnamita.
El agente de voz controla toda la conversación.
Voxtral 3 introduce un SDK de agente de voz, construido sobre LiveKit, que ejecuta la entrada de voz, el razonamiento y la salida de voz como un único pipeline de streaming. Voxtral Mini Transcribe Realtime 3 escucha y detecta cuándo el interlocutor ha terminado de hablar, un modelo general—como Mistral Small—razona y llama a herramientas, y Voxtral TTS responde con el tono de la conversación hasta el momento. Ninguna etapa espera a la anterior, por lo que cada turno se completa en menos de un segundo, y el agente deja de hablar cuando el interlocutor interrumpe.
Durante una llamada, el agente puede verificar la identidad del interlocutor, consultar una factura o reservar una cita, utilizando function calling, búsqueda web y recuperación sobre sus propios sistemas. Responde y realiza llamadas a través de SIP, funciona en navegadores y aplicaciones mediante WebRTC, y se conecta al software de telefonía, IVR y centros de contacto que ya utiliza.
Cada etapa es un modelo separado, por lo que puede cambiar el LLM, la voz o el idioma sin reescribir el agente, y ejecutar todo el stack en la API de Mistral en Europa o en su propia infraestructura.
Empiece hoy mismo.
Voxtral 3 está disponible hoy a través de la API de Mistral, alojado en nuestros endpoints europeos, de EE. UU. y globales.
Puedes probar los agentes de voz, la transcripción de audio, la generación de voz y la clonación de voz en los entornos de prueba de Studio.
Prueba Voxtral ahora | Más información
Modelo | Precio |
|---|---|
Voxtral Mini Transcribe 3 (batch) | $0.0035/min |
Voxtral Mini Transcribe Realtime 3 | $0.008/min |
Voxtral Small Transcribe 3 | $0.0040/min |
Voxtral Mini TTS 3 | $13/1M de caracteres |
API de agentes de voz con Mistral Small 4 para razonamiento | 0.04$/min |
API de agentes de voz con un modelo más grande | 0.08$/min |
Para ejecutar la pila completa en sus instalaciones o en una nube privada, hable con nuestro equipo.
Voxtral Small Transcribe 3
Nuevo
Modelo de transcripción de voz con la mayor precisión. Transcripción y diarización multilingüe de última generación, con soporte para más de 50 idiomas y ajuste por contexto.
Transcripción
Audio
$0.004
/min
Voxtral Mini Transcribe 3
Nuevo
Modelo de transcripción de voz eficiente y de baja latencia. Admite transcripción multilingüe, diarización y ajuste por contexto en más de 50 idiomas.
Transcripción
Audio (Batch)
$0.0035
/min
Voxtral Mini Transcribe Realtime 3
Un modelo de transcripción en tiempo real diseñado para casos de uso agénticos, que ofrece transcripciones de alta calidad con una latencia inferior a 500 ms en más de 40 idiomas.
Transcripción
Audio
$0.008
/min
Voxtral Mini TTS 3
Expresividad y seguimiento de instrucciones de última generación en más de 35 idiomas y más de 50 dialectos
Voz
Entrada
$13
/1M caracteres