Mistral lanza Voxtral 3: transcripción en español desde 0,0035 dólares por minuto

Cómo acceder y cuánto cuesta

Mistral presentó Voxtral 3 el 20 de octubre de 2026. Para probarlo, el punto de entrada es Mistral Studio, con espacios de prueba de transcripción, generación de voz y agentes. Para incorporarlo a una aplicación se utiliza la API, que cobra por consumo. El plan gratuito de Mistral ya da acceso a Studio. Mistral no ha dicho si Voxtral 3 llegará al modo de voz de Vibe, su asistente.

La tarifa depende de si necesitas pasar un archivo a texto, seguir una conversación en directo o producir una respuesta hablada:

Como ejemplo calculado con esas tarifas, transcribir una grabación de 60 minutos cuesta 0,21 dólares con Mini o 0,24 dólares con Small. Mantener durante ese mismo tiempo un agente con Small 4 supone 2,40 dólares de servicio.

Entrevistas y reuniones con interlocutores separados

La documentación de transcripción distingue archivos completos y audio en directo. Para un pódcast o una reunión grabada, se envía el archivo y se recibe la transcripción. Se pueden pedir etiquetas que separen a los interlocutores y marcas de tiempo por segmentos; las marcas por palabra aún no están disponibles.

También admite una lista de términos para orientar el reconocimiento: nombres de personas, productos o vocabulario especializado. Mistral recomienda empezar por Mini para archivos y pasar a Small cuando persistan errores que ese vocabulario personalizado no resuelva. Según Mistral, Small logra los mejores resultados en transcripción de varios idiomas, también en español, por delante de Whisper, Scribe v2 y Gemini 3.5 Transcribe.

En directo, Realtime entrega texto mientras se habla y detecta cuándo termina una intervención. Ojo: la separación de interlocutores y la detección de fin de turno funcionan en sesiones distintas; activarlas juntas devuelve un error.

Voces en español y asistentes que hacen gestiones

La generación de voz permite elegir una voz predefinida o adaptarla mediante una grabación. Entre las voces predefinidas, disponibles en 18 idiomas, las hay en español de España. Además del texto, se pueden indicar emociones y cambios de ritmo, o fijar con fonemas cómo debe pronunciarse un nombre. El audio se entrega en MP3, WAV, PCM, FLAC u Opus.

Para una conversación completa, el kit de agentes de voz enlaza transcripción, un modelo que decide la respuesta y síntesis de voz. El usuario puede interrumpir al asistente. La aplicación define qué información conoce y qué herramientas puede utilizar: consultar documentos, buscar en internet o ejecutar funciones del negocio, como comprobar una factura o reservar una cita.

Ese kit utiliza LiveKit y ofrece integración para Python, Node.js y navegador. En una web, el servidor crea la sesión para mantener la clave de API fuera del navegador. La conexión a líneas telefónicas mediante SIP está disponible para clientes empresariales al lanzamiento, a través del equipo comercial.

Elegir dónde se procesa el audio

Mistral anuncia acceso mediante sus servicios europeos, estadounidenses y globales, además de despliegues en infraestructura propia contratados con la empresa. Para elegir ubicación hay que revisar la inferencia regional: el acceso global no garantiza un país de procesamiento, los regionales no sirven todos los modelos ni todas las funciones (ni agentes, ni lotes, ni archivos), y los datos de cuenta o facturación pueden gestionarse fuera de esa región.

Si lo que necesitas es una aplicación para transcribir sin enviar el audio a un servicio, TranscribePsy funciona en local. Para evaluar Voxtral antes de integrarlo, Studio permite probar con una grabación propia y comprobar cómo reconoce los nombres y separa a quienes hablan.