Voxtral 3 de Mistral llega con un modelo Transcribe en el puesto n.º 3 y una voz de 13 USD

La cifra con la que hay que abrir es 2,1 %. Esa es la tasa de error de palabras que Artificial Analysis midió para Voxtral Small Transcribe 3, lo que sitúa al nuevo reconocedor de Mistral en tercer lugar de la clasificación independiente de voz a texto a fecha de 21 de octubre de 2026 —solo por detrás de Fun-Realtime-ASR-preview de Alibaba, con 1,7 %, y de MAI-Transcribe-2 de Microsoft, con 2,0 %, y por delante de ElevenLabs Scribe v2, con 2,2 %. El mismo lanzamiento del 20 de octubre también incluyó Voxtral 3 T​TS, un modelo de síntesis con un precio de 13 dólares por millón de caracteres que queda en decimotercer lugar en la arena Provider Voice y en decimocuarto en la arena Controlled Voice. Uno de esos resultados es una auténtica subida en la tabla. El otro es una entrada competente de mitad de tabla con un precio agresivo, y la diferencia entre cómo se anunciaron los dos y cómo puntuaron realmente es lo más útil del lanzamiento. Los fallos de IA y los incidentes de agentes documentados que hay detrás de lanzamientos como este se recopilan en el OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, su gravedad, su grado de confianza y su indicador de disputa.

Todo lo que sigue distingue tres tipos de afirmaciones: las cifras de los paneles de escucha a ciegas y de transcripción de Artificial Analysis (independientes), las cifras de la propia página de lanzamiento de Mistral (reportadas por el proveedor) y la aritmética realizada aquí a partir de los precios publicados. No son intercambiables, y la página de lanzamiento las presenta de una forma que facilita confundirlas.

El resultado de la transcripción es el que realmente hace ascender a Mistral en la tabla.

Voxtral Small Transcribe 3 es el buque insignia de la familia de cuatro modelos, y es la única parte del lanzamiento con una puntuación independiente que supera directamente a los actuales líderes. Con un WER del 2,1 %, está 0,1 puntos por detrás del MAI-Transcribe-2 de Microsoft y 0,1 por delante de Scribe v2: márgenes muy dentro del ruido de un único conjunto de evaluación, pero suficientes para situar a Mistral en la conversación por la parte alta de la tabla en lugar de en el grupo perseguidor.

La cifra de velocidad es la parte más sorprendente. Artificial Analysis mide un factor de velocidad mediano de 66,6 para Voxtral Small Transcribe 3, frente a 20,3 del Fun-Realtime-ASR-preview, el mejor clasificado, y 308,8 de MAI-Transcribe-2. En términos sencillos, el modelo de Mistral transcribe aproximadamente 67 minutos de audio por minuto de cómputo: cuatro veces más lento que el de Microsoft y tres veces más rápido que el de Alibaba. Barato, preciso y moderadamente lento es un perfil perfectamente válido para la transcripción por lotes; es un mal perfil para cualquier cosa interactiva, y por eso Mistral vende un modelo en tiempo real aparte.

La familia, tal como se distribuyó el 20 de octubre:

• Voxtral Small Transcribe 3 — más de 50 idiomas, diarización, sesgo de contexto, $0.004 por minuto ($4.00 por 1,000 minutos). La opción por precisión.

• Voxtral Mini Transcribe 3 — 4B parámetros, más de 50 idiomas, 0,0035 $ por minuto. Obtiene un 2,2 % de WER en la misma tabla — estadísticamente a la par del modelo Small con un 12,5 % menos de coste, lo que hace difícil justificar el sobreprecio del nivel Small solo por su precisión.

• Voxtral Mini Transcribe Realtime 3 — en streaming, con una latencia declarada inferior a 500 ms, $0.008 por minuto. La propia página de Mistral dice tanto «más de 35 idiomas» como «más de 40 idiomas» para este modelo en dos lugares distintos; nadie externo ha comprobado cuál es la correcta.

• Voxtral 3 TTS: síntesis por lotes y en tiempo real a 13 $ por millón de caracteres, más de 35 idiomas y más de 50 dialectos. El modelo que la tabla de precios de Mistral denomina «Voxtral Speech 3» y que su documentación recoge como voxtral-mini-tts-3-0.

En la propia evaluación FLEURS 45 de Mistral, Voxtral Small Transcribe 3 reporta un 4,1 % de WER con idioma forzado y un 4,0 % con idioma inferido. Es un benchmark distinto del que ejecuta Artificial Analysis, por lo que la página del proveedor muestra un 4 % y la clasificación independiente muestra un 2,1 %. Ninguno de los dos números es incorrecto; citarlos en la misma frase sin especificar cuál es cuál es así como se echa a perder la cobertura de un lanzamiento. Mistral también afirma tener el menor error de diarización de su conjunto de comparación, con un 18,4 % de cpWER y un 94,6 % de recuperación de frases clave con sesgo contextual, frente al 81,4 % sin él; datos reportados por el proveedor y no reproducidos.

El modelo de voz está en la media, y el precio es el que se encarga de argumentar.

La publicación en redes sociales de Mistral presenta el lanzamiento de T​TS como una entrada en los doce primeros puestos de ambas arenas de texto a voz. Los tableros en vivo del 21 de octubre cuentan una historia un poco más matizada: Voxtral 3 T​TS ocupa el puesto 13 en Provider Voice con 1.217 de Elo (intervalo del 95 %: 1.202–1.232, una banda empatada que abarca los puestos 11 a 17) y el puesto 14 en Controlled Voice con 1.066 de Elo (una banda empatada que abarca del 10 al 19). En otras palabras, está entre los quince primeros en ambos, y los intervalos de confianza se solapan con los de otros cinco modelos, por lo que el puesto exacto no es un dato estable. Es el segundo día del modelo en el tablero y su número de muestras, 1.619 comparaciones, está muy por debajo de las más de 3.000 que han acumulado los líderes.

Lo que se mantiene estable es el vecindario. Con 1.217 de Elo, Voxtral 3 T​TS está a la par de Realtime T​TS-2 Flash y StepAudio 2.5 T​TS, por delante de ElevenLabs Eleven v3 con 1.182, y por detrás de Cartesia Sonic 3.6 con 1.289, Q​wen-Audio-3.1-T​TS-Plus con 1.299 y ElevenLabs Eleven v4 con 1.328.

Hay dos cosas sobre esa posición que conviene decir sin rodeos. Primero, Voxtral 3 TTS es una clara mejora de una generación a otra para Mistral: el Voxtral TTS de marzo de 2026 obtuvo 1.090 en la misma clasificación, así que se trata de un salto de 127 puntos. Segundo, el salto no cerró la brecha con la frontera. El modelo anterior de Mistral estaba muy atrás; el nuevo está en mitad del grupo.

Lo que realmente compra $13 por un millón de caracteres

El precio es donde este lanzamiento se vuelve interesante, y donde una lectura literal del comunicado de prensa te llevará a engaño. A 13 $ por millón de caracteres, Voxtral 3 T​TS cuesta unos 0,70 $ por hora de voz generada, suponiendo aproximadamente 900 caracteres por minuto hablado. Cartesia Sonic 3.6 cuesta 2,65 $ la hora a 49 $, ElevenLabs Eleven v4 cuesta 4,32 $ a 80 $, y Q​wen-Audio-3.0-T​TS-Plus cuesta 1,04 $ a 19,31 $. Frente al nivel premium, el ahorro es real y considerable.

Frente al nivel de valor, no es un nocaut. Simba 3.2 se sitúa en el n.º 10 con 1,245 Elo —28 puntos por encima de Voxtral 3 T​TS— a $6.6 por millón de caracteres, la mitad del precio. Realtime T​TS-2 Flash obtiene los mismos 1,217 Elo a $10.4. Gemini 3.8 Flash-Lite T​TS obtiene 1,250 a $11. En una relación burda de Elo por dólar, que trata el Elo como lineal cuando no lo es y debería interpretarse como una clasificación aproximada más que como una medición, Voxtral 3 T​TS queda en alrededor de 94 puntos por dólar frente a 189 de Simba 3.2 y 118 de Realtime T​TS-2 Flash.

El resumen honesto es que Mistral puso al modelo un precio para que fuera defendible en lugar de disruptivo. Tiene un precio inferior al de todos los modelos que le superan por más de 50 Elo, y pierde en relación calidad-precio frente a al menos tres modelos que le superan en calidad. Eso es un lanzamiento normal, no un acontecimiento de reajuste de precios.

Donde el enrutamiento importa aquí es en mantener esa comparación activa en lugar de en una hoja de cálculo. OrcaRouter ejecuta una API para más de 200 modelos y traslada el precio de lista del proveedor con un margen del 0 %, de modo que cuando un proveedor como Mistral cambia una tarifa, el número que ve tu código cambia con ella, y cambiar el endpoint de síntesis detrás de un pipeline de voz es un cambio de configuración en lugar de un segundo contrato. Que Voxtral 3 T​TS pertenezca a ese pipeline es una cuestión distinta de si es el mejor modelo del tablero — y en el tablero, hoy, no lo es.

La parte de la versión que no es un modelo

Lo más trascendental que Mistral lanzó el 20 de octubre puede que no sea ninguno de los dos modelos puntuados. La familia viene con un SDK de agentes de voz construido sobre LiveKit, compatible con telefonía SIP, WebRTC, IVR e integraciones de centros de contacto, con un tiempo de respuesta completo del agente declarado de menos de un segundo y gestión de interrupciones (barge-in). Mistral fija el precio de todo el bucle del agente —entrada de voz, razonamiento y salida de voz— en 0,04 USD por minuto cuando el modelo de razonamiento es Mistral Small 4, o 0,08 USD por minuto con un modelo de razonamiento diferente.

Ese paquete por minuto es una unidad distinta de una tarifa de TTS por carácter, y comparar ambas directamente es un error frecuente. Un agente de voz que habla durante 30 segundos de una llamada de un minuto consume aproximadamente 4.500 caracteres de síntesis, lo que a 13 dólares por millón supone menos de seis centavos; así que el paquete de 0,04 dólares es competitivo frente a montar las piezas por tu cuenta, siempre que de todos modos quisieras el modelo de razonamiento de Mistral. El paquete también es donde el argumento de la conmutación por error se justifica en producción: un agente de voz con un endpoint de síntesis caído es una línea telefónica en silencio, y el tramo de razonamiento de ese pipeline es exactamente el tipo de cosa que un enrutador con conmutación automática por errorestá destinado a resolver.

Lo que Mistral no ha lanzado son los pesos abiertos. La página de Voxtral 3 describe el acceso a la API, los playgrounds de Studio y el despliegue propio en infraestructura privada, pero nunca afirma que los pesos se puedan descargar. El Voxtral T​TS de marzo se publicó en Hugging Face bajo la licencia CC BY-NC 4.0; nada en esta versión lo repite. Si el autoalojamiento es un requisito, esta generación aún no da respuesta a eso.

Tres cosas que nadie ha medido todavía

La ausencia de una cifra de latencia publicada para Voxtral 3 T​TS es el vacío más llamativo del material de lanzamiento. Mistral indica menos de 500 ms para la transcripción en tiempo real y menos de un segundo para un turno completo del agente, pero no da un tiempo hasta el primer audio para la síntesis, que es la cifra que determina si un agente de voz se siente conversacional. Artificial Analysis informa de una mediana de tiempo de generación de 7,2 segundos y una mediana de rendimiento de 112 caracteres por segundo, y ambas cifras describen el renderizado por lotes en lugar del comportamiento en streaming. Una mediana de 112 caracteres por segundo es respetable —más rápida que los 56 de ElevenLabs Eleven v3 y más lenta que los 145 de Sonic 3.6—, pero no dice nada sobre los primeros 200 milisegundos.

La clonación de voz es la segunda carencia. La adaptación «Pro Voice» de Mistral reproduce el carácter y el rango emocional de un hablante a partir de 30 minutos de audio. Ese es un proceso de calidad de estudio, no el clon instantáneo de diez segundos que anuncia Cartesia ni el clon de treinta segundos que ofrece ElevenLabs, y posiciona a Voxtral 3 T​TS para voces de marca en lugar de para trabajos de personajes generados por usuarios.

El tercero es la resistencia. Los propios materiales de Mistral no indican una longitud máxima de generación para el endpoint TTS, y las muestras de la arena son clips cortos. La narración de formato largo es donde un modelo de Elo de mitad de tabla todavía puede ser la respuesta correcta si mantiene la coherencia a lo largo de diez minutos, y nadie ha publicado esa prueba.

La lectura justa del 20 de octubre es que Mistral lanzó un competidor real en transcripción y un modelo T​TS lo bastante bueno como para estar en la preselección y lo bastante barato como para probarlo. El terreno de la transcripción es donde la empresa se ganó un titular. El de la síntesis es donde se compró uno.