Voxtral 3: Mistral pone cuatro modelos de voz y una API de agentes de voz en el mismo medidor

El número interesante del lanzamiento de Mistral del 20 de octubre no es una tasa de error de palabras. Es $0.04 por minuto. Eso es lo que la empresa cobra por un agente de voz Voxtral 3: una canalización integral que escucha a quien llama, razona sobre lo que dijo con Mistral Small 4, invoca herramientas y responde hablando. Si sumas las piezas que Mistral vende por separado, el mismo minuto cuesta más: Voxtral Mini Transcribe Realtime 3 a $0.008, más Voxtral Mini T​TS 3 a unos $0.02 para un ritmo de habla normal, más el modelo de razonamiento encima. El minuto empaquetado es el producto. Todo lo demás — Voxtral Small Transcribe 3, Voxtral Mini Transcribe 3, Voxtral Mini Transcribe Realtime 3, Voxtral Speech 3 — se vende como un componente que puedes comprar a la carta, y como una forma de demostrar que los componentes son lo bastante buenos como para que valga la pena empaquetarlos. Las canalizaciones de agentes de voz fallan de maneras que las tarifas nunca mencionan, y los incidentes registrados están catalogados en el Archivo de Incidentes de IA de OrcaRouter, donde cada entrada incluye sus propias fuentes, severidad, grado de confianza e indicador de disputa.

Qué hay realmente nuevo, modelo por modelo

Se trata de una renovación de toda una familia, no de un solo modelo con un incremento de versión. Cada pieza tiene una función distinta y un precio distinto, y esa división importa más que el nombre compartido.

• Voxtral Small Transcribe 3 — el nivel de precisión. $0.004 por minuto, contexto de 32k y la afirmación insignia de Mistral para transcripción con diarización. También hace traducción, preguntas y respuestas por voz, resumen y llamada a funciones, lo que lo convierte en el único miembro de la familia más cercano a un modelo de audio-lenguaje que a un transcriptor.

• Voxtral Mini Transcribe 3 — 4B de parámetros, $0.0035 por minuto, contexto de 32k. Mistral revela el tamaño de este y oculta el del modelo Small. Vale la pena reparar en esa asimetría: el modelo mini es el que se posiciona para el despliegue masivo y en el borde, así que su huella es un argumento de venta; la del buque insignia no se divulga.

• Voxtral Mini Transcribe Realtime 3 — streaming por WebSocket a $0.008 por minuto, con latencia configurable de 80 ms a 2,400 ms y detección de fin de turno que combina señales acústicas y semánticas en lugar de esperar silencio. La documentación dice "menos de 500 ms"; el mínimo configurable está muy por debajo de eso, y el costo de precisión de bajar tanto es significativo — consulte la sección de benchmarks.

• Voxtral Speech 3 (que se vende en la documentación como Voxtral Mini T​TS 3): 13 USD por millón de caracteres, unos 90 ms hasta el primer audio, 34 etiquetas de emoción y dos etiquetas de ritmo, nueve idiomas, clonación de voz zero-shot y "profesional". La página de lanzamiento de Mistral indica que la clonación requiere más de 30 minutos de audio de referencia.

Debajo se encuentra el {{1}}SDK de agente de voz{{/1}}, construido sobre LiveKit y ASR en streaming, LLM y TTS como una única canalización. Acepta llamadas SIP, sesiones WebRTC y troncales de telefonía o IVR existentes, admite interrupciones y permite cambiar el modelo de razonamiento, la voz o el idioma sin reconstruir el agente. {{2}}Mistral afirma que la latencia por turno es inferior a un segundo.{{/2}}

La tabla de referencia, léase con atención

Mistral publicó sus propias cifras, y son buenas cifras. En la tasa de error de palabras de macro-promedio de 45 sobre FLEURS, Voxtral Small Transcribe 3 se sitúa en 4,1 % con idioma forzado y 4,0 % con idioma inferido. Voxtral Mini Transcribe 3 está en 4,6 % / 4,5 %. A modo de comparación, en la misma tabla del proveedor: G​emini 3.5 Transcribe en 6,1 % / 4,5 %, Scribe v2 en 4,9 %, G​PT Transcribe en 6,3 % / 5,6 %, y Whisper large-v3 en 16,0 % / 14,9 %.

Dos cosas de esa tabla merecen una segunda mirada. Primero, el MAI-Transcribe-2 de Microsoft se sitúa en 4,1 % / 4,0 %, idéntico a Voxtral Small Transcribe 3 hasta el decimal. Una tabla de un proveedor en la que el producto estrella empata exactamente con su competidor más cercano es o un empate honesto o uno redondeado; Mistral no aclara cuál. Segundo, la cifra de Whisper no es la que los demás citan para Whisper. Whisper large-v3 obtiene un WER medio de 7,44 en el Open ASR Leaderboard, y la variante Turbo, un 4,6 % en el panel independiente de Artificial Analysis. El 16 % refleja cómo se comporta Whisper específicamente con audio FLEURS multilingüe difícil, no cómo se comporta en inglés de producción. Usar el segmento más duro disponible para un competidor es una jugada de marketing habitual, pero es una jugada de marketing.

La tabla independiente cuenta una historia más ajustada. Artificial Analysis sitúa a Voxtral Small Transcribe 3 en un 2,1 % de AA-WER y a Voxtral Mini Transcribe 3 en un 2,2 % —primero y segundo en la clasificación sin streaming a la fecha de redacción—, con MAI-Transcribe-2 en un 2,0 % en el puesto inmediatamente superior según cuándo se consulte la tabla. Son tan cercanos que el orden cambiará en nuevas ejecuciones. Cualquiera que proclame un ganador a partir de una diferencia de 0,1 puntos está citando ruido.

Donde el nivel de tiempo real devuelve la precisión

Las cifras de streaming son lo más útil que publicó Mistral, porque son las menos favorecedoras. En FLEURS 35, la línea base sin conexión de Voxtral Mini Transcribe 3 es 4.0% WER. El modelo en tiempo real se degrada de forma monótona a medida que le pides que responda antes:

• 2,400 ms de latencia — 5.7% WER

• 960 ms — 6,0%

• 480 ms — 6,4%

• 240 ms — 7,4 %

Frente a eso, Mistral enumera G​emini 3.5 Realtime Transcribe con un 4,2 %, el nivel de streaming de Microsoft con un 5,8 %, G​PT Live Transcribe con un 8,4 % y Scribe v2 Realtime con un 8,7 %. Así que la lectura honesta es: con un retardo cómodo de 2,4 segundos, el nivel en tiempo real de Voxtral es competitivo con el de Microsoft y supera a los modelos de streaming de O​penAI y ElevenLabs, pero no supera al de G​oogle y, a 240 ms, es peor que todo excepto los dos modelos que van a la zaga. El titular de menos de 500 ms es real; solo que te cuesta aproximadamente tres puntos de precisión respecto a ejecutar el mismo audio sin conexión.

La diarización es donde la familia se ve más sólida y donde la tabla de proveedores hace el mayor trabajo. En el WER concatenado de permutación mínima, Mistral reporta 18,4 % para Voxtral Small Transcribe 3, 18,6 % para el Mini, 19,0 % para Pyannote Orchestrator Precision 3, 20,3 % para MAI-Transcribe-2 y 38,4 % para G​emini 3.5 Transcribe. Una diferencia de 20 puntos frente a G​emini en atribución de hablantes es el tipo de cifra que decide un producto —transcripción de reuniones, control de calidad de llamadas—, pero es el arnés de pruebas de un proveedor contra el modelo de otro proveedor, y ningún tercero lo ha vuelto a ejecutar.

Lo que el precio compra, en horas

La facturación por minuto es fácil de comparar y fácil de malinterpretar cuando la alternativa es por token. Convertida a mil horas de audio, que es aproximadamente el consumo mensual de un centro de contacto de tamaño medio:

• Voxtral Mini Transcribe 3 — $210 por 1.000 horas a $0,0035/min

• Voxtral Small Transcribe 3 — 240 $ por cada 1.000 horas a 0,004 $/min

• Voxtral Mini Transcribe Realtime 3 — $480 por 1.000 horas a $0.008/min

• API de agente de voz con razonamiento de Mistral Small 4 — 2.400 USD por cada 1.000 horas de conversación a 0,04 USD/min

El nivel de agente cuesta entre cinco y once veces más que el nivel de transcripción, lo cual es el orden de magnitud correcto si se tiene en cuenta que incluye el modelo de razonamiento y la síntesis de voz. También es donde está el margen, y el posicionamiento de Mistral —verificación de identidad, comprobación de facturas, reserva de citas— se elige para llamadas en las que una tarea completada vale más que un minuto de cómputo.

Una advertencia estructural sobre toda la lista de precios: todos los modelos que aparecen aquí están en vista previa pública, no en GA, y los precios de vista previa en Speech históricamente han cambiado. No existe ningún compromiso publicado de que $0.0035 siga siendo $0.0035.

Lo que Mistral no lanzó

No hay pesos. La página de lanzamiento dice que Voxtral 3 está disponible a través de la API de Mistral con endpoints en la UE, EE. UU. y globales, y «para el autodespliegue en tu propia infraestructura» — pero no publica licencia, ni recuentos de parámetros para tres de los cuatro modelos, ni repositorio de Hugging Face. Como contexto, los lanzamientos de voz anteriores de Mistral eran descargables: Voxtral Small 24B 2507 es Apache 2.0 en Hugging Face, Voxtral 4B TTS 2603 es CC-BY-NC-4.0, y Voxtral Mini 4B Realtime Arabic se publicó el 8 de octubre sin ninguna licencia declarada. Este lanzamiento es la primera generación de Voxtral sin ningún miembro descargable. El autodespliegue aquí se interpreta como un contrato empresarial, no como una descarga.

También faltan: cualquier longitud máxima de audio, cualquier cifra de contexto para los niveles de TTS o de agente, y cualquier detalle de retención o residencia de datos más allá de las regiones de los endpoints. Si está evaluando esto para la grabación regulada de llamadas, esas tres lagunas son las que conviene cerrar en una conversación de adquisición y no a partir del artículo de lanzamiento.

Cómo probarlo de verdad

Voxtral 3 no está hoy en el catálogo de OrcaRouter, así que la vía para evaluarlo es la propia API de Mistral y los playgrounds de Studio, que cubren transcripción, generación de voz, clonación de voz y el pipeline de agentes. Donde un router sí ayuda es en la segunda mitad de la decisión: casi nunca quieres una sola pila de voz, y poner el modelo de razonamiento que gestiona las llamadas a herramientas de tu agente detrás de un único endpoint significa que puedes comparar Mistral Small 4 con una docena de otros modelos sobre la misma transcripción sin reconstruir el pipeline. OrcaRouter traslada los precios de lista de los proveedores con 0% de margen y conmuta automáticamente entre proveedores en caso de fallo, lo que importa sobre todo justo en esta situación: un modelo de nivel preview sin historial de disponibilidad por delante.

El orden práctico de evaluación, si vas a hacer esto esta semana: pasa tu propio audio más problemático por Voxtral Small Transcribe 3 y MAI-Transcribe-2 en los mismos 200 archivos, porque los dos proveedores publican la misma puntuación FLEURS y solo tu audio puede desempatar. Luego ejecuta el nivel en tiempo real a 960 ms y a 2400 ms y cuenta con qué frecuencia el detector de fin de turno corta a quien llama a mitad de frase — ese modo de fallo cuesta más en un agente en vivo que cualquier diferencia de WER en esta familia. Después, calcula el precio del minuto de agente en función de tu tasa de contención, no de tu factura de transcripción.

Qué ver

Tres cosas decidirán si este lanzamiento envejece bien. Las repeticiones independientes de la afirmación sobre la diarización, que es el único número del lanzamiento que cambiaría de verdad una decisión de compra. Si aparecen los pesos, porque un Voxtral descargable se convertiría de inmediato en la opción abierta por defecto para la diarización en lenguas europeas y socavaría todo el argumento de precios anterior. Y si la latencia subsegundo del agente se sostiene en telefonía real en lugar de en una demo de una carta de derivación francesa: la interrupción (barge-in) y la detección de fin de turno son los puntos donde suelen fallar los agentes de voz, y ninguna de las dos aguanta como evidencia en una entrada de blog de un proveedor.