Voxtral 3 TTS vs. Voxtral 4B TTS: el modelo más reciente que no puedes descargar

El hecho incómodo sobre Voxtral 3 T​TS es que es mejor que Voxtral 4B T​TS en casi todos los aspectos que se pueden medir y peor en el único aspecto que decide algunos despliegues: no se puede obtener. Mistral publicó Voxtral 4B T​TS el 23 de marzo de 2026 como pesos abiertos — mistralai/Voxtral-4B-T​TS-2603 en Hugging Face, CC BY-NC 4.0, descargable y ejecutable en tus propios aceleradores. Voxtral 3 T​TS llegó el 20 de octubre de 2026 solo como producto de API. La página de lanzamiento describe endpoints para la UE, EE. UU. y globales, entornos de prueba de Studio y autodespliegue en infraestructura privada, y no dice ni una sola vez que los pesos estén disponibles. Así que el sucesor, siete meses después, es 127 Elo mejor en la tabla de escucha ciega (1.217 frente a 1.090), 19 % más barato, a $13 frente a $16 por millón de caracteres, y aproximadamente un 42 % más rápido, a 112 frente a 79 caracteres por segundo — y aun así no es un reemplazo directo del modelo al que sustituye, porque el más antiguo es el único miembro de esta familia que una empresa puede poseer realmente. 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, gravedad, grado de confianza e indicador de disputa.

Dos modelos, siete meses, un límite de licencia

Ese límite conviene enunciarlo con precisión antes de cualquier benchmark, porque reordena por completo la comparación.

• Voxtral 4B TTS — pesos abiertos bajo CC BY-NC 4.0. No comercial. Puedes descargarlo, inspeccionarlo, ejecutarlo y afinarlo; no puedes incluirlo en un producto de pago. La restricción se hereda de los conjuntos de datos de voces de referencia que lo respaldan, no de ninguna limitación técnica del checkpoint. Autoalojarlo para evaluación interna está bien; autoalojarlo en un servicio comercial de cara al cliente, no.

• Voxtral 3 TTS — cerrado. No se publicaron pesos a fecha de 21 de octubre de 2026. "El autoalojamiento en infraestructura privada o en una nube privada" en la página de Mistral es una oferta de despliegue empresarial negociada con el proveedor, no un enlace de descarga, y confundir ambas cosas es el error más fácil de cometer al leer esa página con rapidez.

La consecuencia práctica: si tu motivo para querer Voxtral 4B TTS era que el audio nunca sale de tu red, Voxtral 3 TTS no lo sustituye a menos que firmes algo con Mistral. Si tu motivo era que resultaba más barato que una API alojada, Voxtral 3 TTS lo sustituye en precio y lo supera en calidad, y la cuestión de la licencia desaparece porque estás comprando un servicio en lugar de un archivo. Ese mismo lapso de siete meses se resuelve de manera distinta según cuál de esas dos frases describa tu situación.

El marcador

• Elo de voz del proveedor — Voxtral 3 TTS: 1.217 (n.º 13 de 98), intervalo del 95 %: 1.202–1.232. Voxtral 4B TTS: 1.090 (n.º 46), intervalo 1.078–1.102. Ambos datos según Artificial Analysis, consultados el 21 de octubre de 2026.

• Precio por 1 millón de caracteres: 13,00 $ frente a 16,00 $. Con aproximadamente 900 caracteres por minuto de habla, 0,70 $ frente a 0,86 $ por hora.

• Rendimiento — 112 caracteres por segundo de mediana frente a 79, medido por Artificial Analysis en el host nativo de cada modelo.

• Idiomas — Voxtral 3 TTS: 35+ idiomas y 50+ dialectos, presets en 18. Voxtral 4B TTS: 9 idiomas — inglés, francés, alemán, español, neerlandés, portugués, italiano, hindi y árabe, con compatibilidad de dialectos.

• Adaptación de voz — Voxtral 3 TTS: «Pro Voice», 30 minutos de audio. Voxtral 4B TTS: un prompt de referencia de 5 a 25 segundos, descrito en la ficha del modelo como de tan solo 3 segundos.

• Pesos — cerrados frente a abiertos (CC BY-NC 4.0).

La línea de idiomas es el mayor cambio sobre el que nadie ha escrito. Voxtral 4B TTS cubre nueve idiomas; el nuevo modelo afirma cubrir más de 35 idiomas y más de 50 dialectos. Eso supone cuadruplicar el producto, y es un argumento más sólido para la actualización que el Elo: 127 puntos te llevan de la mitad de la tabla a la mitad de la tabla, pero pasar de nueve idiomas a treinta y cinco cambia los mercados en los que puedes vender.

La línea de adaptación de voz va en sentido contrario y es la única regresión auténtica. Voxtral 4B TTS clona a partir de un clip de referencia corto —tan solo tres segundos según la ficha del modelo, con la arquitectura describiendo una ventana de prompt de 5–25 segundos. Pro Voice de Voxtral 3 TTS requiere treinta minutos de audio para reproducir el carácter, el rango emocional y el estilo de un hablante en distintos idiomas. Treinta minutos son una sesión de estudio. Tres segundos son una función. Si tu producto permite que un usuario escuche su propia voz, el modelo más reciente es peor en esa tarea.

Qué es realmente el 4B, bajo el capó

El número de parámetros que aparece en el nombre del modelo antiguo describe una arquitectura real, y explica tanto sus puntos fuertes como por qué el sucesor no es simplemente una versión más grande de él.

Voxtral 4B TTS tiene aproximadamente cuatro mil millones de parámetros en tres partes: una red troncal de decodificador transformer de 3,4B construida sobre Ministral 3B, un transformer acústico de flow matching de 390M y un códec de audio neuronal de 300M. Es autorregresivo sobre un códec VQ semántico con un vocabulario de 8.192 tokens, que alimenta una cabeza de flow matching que predice características acústicas FSQ en 36 dimensiones con 21 niveles, a 12,5 Hz. En términos sencillos: un pequeño modelo de lenguaje lee el texto y planifica, una red de flow matching convierte ese plan en características de audio y un códec convierte las características en muestras. Genera hasta dos minutos de forma nativa, y la salida más larga se gestiona mediante intercalado en la API.

La cifra publicada por Mistral para el modelo de marzo era de 70 milisegundos de latencia del modelo para una muestra de voz de 10 segundos y 500 caracteres, con un factor de tiempo real de aproximadamente 9,7x. Esas cifras se midieron en la pila de servicio de Mistral, no de forma independiente, y describen un modelo que era genuinamente rápido para su generación. El rendimiento del modelo de octubre en Artificial Analysis, 112 caracteres por segundo frente a 79, sugiere que el sucesor es aún más rápido, pero Mistral no publica ningún tiempo hasta el primer audio para Voxtral 3 T​TS, lo cual es una omisión extraña para una empresa cuyo modelo T​TS anterior lideraba con una cifra de latencia.

Dos generaciones de arquitectura también se aprecian en el recuento de idiomas. Nueve idiomas en marzo, más de treinta y cinco en octubre, y los modelos de transcripción de la familia afirman cubrir los 24 idiomas oficiales de la UE. Lo que cambió entre los dos checkpoints afectó mucho más a los datos de entrenamiento y a la cobertura del tokenizador que a la pila acústica.

¿Quién debería conservar los 4B y quién debería mudarse?

Mantén Voxtral 4B T​TS si se cumple alguna de estas condiciones. Necesitas que el audio se procese en hardware que controlas y no puedes negociar un despliegue privado. Estás investigando o evaluando, casos en los que CC BY-NC 4.0 permite el uso y la licencia no cuesta nada. Necesitas clonación de voz con referencias cortas: tres segundos frente a treinta minutos no es una comparación reñida. Trabajas en uno de los nueve idiomas que cubre y la calidad es suficiente; en ese caso, un checkpoint gratuito que ya ejecutas vale más que uno mejor al que tengas que llamar.

Cambia a Voxtral 3 TTS si se cumple cualquiera de estas condiciones. Vendes la salida y, por tanto, nunca se te permitió autoalojar el 4B con fines comerciales de todos modos; en ese caso, ya estabas usando la API de $0.016 por cada mil caracteres, y los nuevos $13 por millón son un 19% más baratos para un modelo 127-Elo mejor, lo que supone la actualización más sencilla de este artículo. Necesitas un idioma fuera de los nueve originales. Necesitas el stack de agentes: Voxtral 3 TTS incluye un SDK de agentes de voz basado en LiveKit, compatibilidad con SIP y WebRTC, turnos de agente por debajo de un segundo y un precio de paquete por minuto de $0.04 con razonamiento de Mistral Small 4, nada de lo cual existía en torno al modelo de marzo.

Hay un tercer grupo que debería usar ambos, y es más grande de lo que parece: equipos que crean prototipos con el checkpoint abierto y sirven mediante la API. Voxtral 4B T​TS te ofrece un modelo local con el que probar prompts, voces y modos de fallo sin coste por llamada y sin que los datos salgan de la organización; Voxtral 3 T​TS te ofrece el endpoint de producción con la cobertura de idiomas y la licencia para vender. Los dos comparten un linaje común, pero no una superficie de API, así que cuenta con que los prompts necesitarán reajustarse: una diferencia de calidad de 127 puntos es un modelo distinto, no un salto de versión, y los controles de dirección que se comportaban de una manera en el 4B no necesariamente se transferirán.

Si la ruta de producción debe sobrevivir a una caída de un proveedor, ese es el argumento para poner la llamada de síntesis detrás de un enrutador en lugar de llamar directamente a Mistral. OrcaRouter ofrece un único endpoint compatible con OpenAI para más de 200 modelos con el precio de lista del proveedor transferido sin recargo (0 % de margen), así que una caída en un backend de síntesis activa la conmutación por error en lugar de quedarse en silencio — y un pipeline de voz que procesa lotes nocturnos es exactamente la carga de trabajo en la que un endpoint caído cuesta una noche en lugar de una solicitud. Los modelos de Mistral son accesibles a través de la propia API de Mistral y varias plataformas de terceros; consulta el catálogo para conocer la disponibilidad actual antes de diseñar en torno a un ID de modelo específico.

La pregunta que Mistral no ha respondido

¿Voxtral 3 TTS tendrá pesos abiertos? El modelo de marzo los tuvo, bajo una licencia no comercial, y se convirtió en el punto de referencia de cómo se ve un checkpoint TTS abierto de un laboratorio europeo. Nada en el lanzamiento de octubre repite eso. La página es explícita sobre el acceso a la API y el despliegue privado, y guarda silencio sobre las descargas, que es el mismo patrón que Mistral usó para varios de sus modelos de texto antes de publicar los pesos meses después.

Si los pesos llegan a publicarse, la comparación cambia por completo: los términos de la licencia decidirán si el modelo abierto es utilizable comercialmente, y el precedente —CC BY-NC 4.0— sugiere que no lo serán. Eso dejaría la situación más o menos como está ahora, con el modelo descargable como un artefacto de investigación y el utilizable como un servicio.

La otra pregunta sin respuesta es si el 4B conservará su presencia en el listado de la API. La tabla de precios de voz de Mistral incluye la nueva familia y no menciona el modelo de marzo, mientras que Artificial Analysis todavía lo registra a 16 USD con un host activo. Históricamente, Mistral ha mantenido los modelos de voz más antiguos disponibles para una larga cola; si eso se mantiene, los equipos tienen un respaldo realmente útil: un modelo algo peor y algo más caro que, no obstante, es un despliegue distinto. voxtral-mini-tts-latestSi no es así, quien haya construido sobre ese alias en marzo debe comprobar a qué modelo resuelve ahora antes de su próxima factura.

La versión corta: Voxtral 3 T​TS es el mejor modelo y el peor activo. Cómprelo por los idiomas, la calidad y el stack de agentes; conserve Voxtral 4B T​TS para el trabajo local, la clonación con referencias cortas y los nueve idiomas que ya hace bien. La única migración que es inequívocamente correcta es la de la API alojada del 4B a la nueva —mismo proveedor, misma postura de licencia, más barata y mejor— y es el único movimiento de esta comparación que no cuesta nada hacer.