Qué se ha publicado
Mistral ha publicado Voxtral 3, una familia de modelos de voz que abarca transcripción, transcripción en streaming y síntesis, en su blog. La gama incluye Voxtral Small Transcribe 3 para precisión por lotes, Voxtral Mini Transcribe 3 con 4.000 millones de parámetros para eficiencia, Voxtral Mini Transcribe Realtime 3 para streaming y Voxtral Speech 3 para texto a voz. Un SDK de agentes de voz construido sobre LiveKit los encadena en una sola tubería.
La transcripción por lotes cubre más de 50 idiomas, entre ellos las 24 lenguas oficiales de la UE; el modelo en tiempo real cubre más de 35; y el modelo de habla cubre más de 35 idiomas y 50 dialectos, con voces predefinidas en 18. Todas las cifras que siguen son de Mistral, publicadas en su página de producto y no medidas de forma independiente.
El impuesto de la latencia, en cifras de Mistral
Lo más útil de la página es el gráfico de tiempo real, porque pone precio a la velocidad en lugar de disimularlo. Medido en FLEURS sobre 35 idiomas, el modelo Mini Transcribe 3 en modo diferido registra una tasa media de error por palabra del 4,0%. Al ejecutarlo como flujo, el error sube con cada escalón de latencia: 5,7% a 2.400 ms, 6,0% a 960 ms, 6,4% a 480 ms y 7,4% a 240 ms.
Es un intercambio publicado por el propio proveedor: una respuesta en un cuarto de segundo cuesta alrededor de un 85% más de errores por palabra que el mismo modelo con el archivo completo. Mistral sitúa a Gemini 3.5 Realtime Transcribe en 4,2% en el mismo gráfico, a Microsoft AI Transcribe 2 Streaming en 5,8%, a GPT Live Transcribe en 8,4% y a Scribe v2 Realtime en 8,7%.
En transcripción por lotes, Mistral da a Voxtral Small Transcribe 3 cerca del 4,1% de error por palabra con el idioma forzado y 4,0% con detección automática, frente a en torno al 16,0% y 14,9% de Whisper large-v3, la comparación más antigua del gráfico y la que más favorece el resultado.
Donde dice que gana
Las cifras de diarización son la afirmación más fuerte. Promediando cinco conjuntos conversacionales, Mistral da una tasa de error concatenada del 18,4% para Voxtral Small Transcribe 3 y del 18,6% para el Mini, frente al 19,0% del orquestador Precision 3 de Pyannote, el 20,3% de Microsoft AI Transcribe 2, el 23,0% de Scribe v2 y el 38,4% de Gemini 3.5 Transcribe. La generación anterior, Voxtral Mini Transcribe 2, queda en 30,9%: la mayor mejora de la página, y una en la que Mistral se mide contra sí misma.
Precios y fontanería
Mistral cobra 0,0035 dólares por minuto por Mini Transcribe 3, 0,0040 por Small Transcribe 3 y 0,008 por el modelo en tiempo real, con la síntesis de voz a 13 dólares por millón de caracteres. La clonación de voz necesita unos 30 minutos de audio muestreado. Los modelos de transcripción admiten diarización, sesgo por términos clave y detección de fin de turno; la pila de agentes llega a los teléfonos por SIP y a los navegadores por WebRTC, y Mistral dice que un turno completo de agente se cierra en menos de un segundo.
Los modelos están disponibles por la API de Mistral en puntos de acceso europeos, estadounidenses y globales, en los entornos de prueba de Studio y para despliegue propio bajo petición.
Lo que falta
Para una empresa cuya identidad se ha construido sobre los pesos abiertos, la página calla sobre licencias: no dice si se publica algún peso de Voxtral 3, con qué términos, ni si la familia es solo de API. Tampoco da duración máxima de audio, ni límite de contexto, ni recuento de parámetros del modelo Small ni del de habla, ni fecha de lanzamiento explícita: la única fecha de la página es una nota al pie que dice que las evaluaciones de voz se generaron el 20 de octubre.
Las cifras que hay que esperar son las independientes. El gráfico de tiempo real de Mistral es inusualmente honesto sobre lo que cuesta el streaming; si las ventajas por lotes y en diarización sobreviven al conjunto de pruebas de otro es la parte que aún no consta.
