Voxtral 3 vs Gemini 3.5 Transcribe: Mistral dice que gana en las palabras — Google gana en el resto

En la única métrica que ambos proveedores aceptan publicar, estos dos están a un pelo de distancia. Voxtral Small Transcribe 3 —el transcriptor insignia de Mistral de la familia Voxtral 3, lanzado el 20 de octubre de 2026— se sitúa en una tasa de error de palabras del 2,1 % en la tabla de modelos sin streaming de Artificial Analysis. G​emini 3.5 Transcribe, que G​oogle ofrece como modelo de disponibilidad general desde el 26 de agosto de 2026, se sitúa en un 2,6 % en la misma tabla. Cinco décimas de punto suponen aproximadamente cinco errores adicionales por cada mil palabras. Esa no es la razón para elegir uno. Las razones son todo lo que hay más allá de las palabras: G​emini realiza la diarización para ocho hablantes, acepta mil términos de vocabulario personalizado, limpia las disfluencias y resuelve las autocorrecciones en una sola pasada, y abarca más de 85 configuraciones regionales. Voxtral realiza la diarización de forma mediblemente mejor según su propia tabla, cubre más de 50 idiomas y ofrece una tarifa por minuto inferior a la de G​oogle. Esta página trata de cuáles de esas diferencias llegan realmente a tu pipeline. Las tasas de error de palabras no registran cómo falla bajo carga la API de transcripción de cada proveedor, y esos incidentes están catalogados en el OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, severidad, grado de confianza e indicador de disputa.

Qué vende cada uno

El planteamiento de Mistral para Voxtral Small Transcribe 3 es precisión más atribución de hablante. Es el «modelo insignia de transcripción y diarización» de la familia, hace marcas de tiempo y diarización de forma nativa, y también hace traducción, preguntas y respuestas por voz, resumen y llamada a funciones, lo que es una forma discreta de decir que es un modelo de audio-lenguaje que transcribe, más que un transcriptor. A 0,004 $ por minuto con 32k de contexto, tiene un precio de sustituto directo de las API de transcripción gestionadas.

El planteamiento de Google para Gemini 3.5 Transcribe es lo que ocurre con la transcripción después del reconocimiento. El modo predeterminado `verbatim` conserva muletillas, inicios en falso y repeticiones; el modo `smart` las elimina y aplica un formato estructurado; un vocabulario personalizado sesga hacia tu jerga; las marcas de tiempo a nivel de palabra se devuelven como anotaciones; y las etiquetas de hablante llegan como `spk_1`, `spk_2`, etc. Se ejecuta a través de la API de Interactions para archivos y una SKU independiente `gemini-3.5-transcribe-live` para streaming, y cuenta con un nivel gratuito que Mistral no ofrece.

En pocas palabras: Mistral te vende un mejor oído, Google te vende un mejor editor.

Dimensión a dimensión

• Precisión independiente — Voxtral Small Transcribe 3 con un 2,1% de AA-WER frente a G​emini 3.5 Transcribe con un 2,6%, ambos en la tabla de clasificación sin streaming de Artificial Analysis. La propia tabla FLEURS de Mistral muestra una brecha mayor: 4,1% con idioma forzado para Voxtral frente a 6,1% para G​emini, pero solo 4,0% frente a 4,5% con idioma inferido. La tabla independiente coincide con la lectura de idioma inferido, así que conviene tratar la cifra del 6,1% como el cabo suelto de la tabla de Mistral y no como el titular.

• Precio — $0,004/min frente a $0,005/min, ambas tarifas de lista combinadas. Eso es $240 frente a $300 por cada mil horas de audio. Es real, pero no decisivo por sí solo; una diferencia del 20 % se borra con una sola repetición de un lote defectuoso.

• Atribución de hablantes — Voxtral Small Transcribe 3 con un 18,4 % de WER concatenado de permutación mínima en el banco de pruebas de Mistral, frente a G​emini 3.5 Transcribe con un 38,4 % en la misma tabla del proveedor. Esta es la mayor diferencia en la publicación de lanzamiento y la que más probablemente importe. Adviértase con honestidad: ambas cifras son de Mistral, ejecutadas en el banco de pruebas de Mistral, y G​oogle no ha publicado ninguna puntuación de diarización equivalente con la que comparar. La documentación de G​oogle sí revela un techo rígido que no es un benchmark —ocho hablantes, con atribución «experimental» para tres o más—, lo que para la transcripción de reuniones es un límite de producto, no una cuestión de calidad.

• Cobertura de idiomas — Voxtral: 50+ idiomas, incluidas las 24 lenguas oficiales de la UE y un conjunto de lenguas asiáticas e índicas de bajos recursos. Gemini: más de 85 configuraciones regionales con indicaciones BCP-47 y alternancia de códigos dentro de una misma oración. La lista de Google es más larga y, lo que es más importante, tiene nombres concretos: puedes comprobar si tu configuración regional está en ella. El «50+» de Mistral es un recuento sin lista.

• Límites de audio — G​emini limita el audio unario a una hora, o treinta minutos cuando solicitas diarización o marcas de tiempo por palabra. Mistral no publica ninguna longitud máxima de audio para Voxtral Small Transcribe 3. Ese silencio no es una característica. Si procesas archivos largos, G​emini es el único de los dos con el que puedes dimensionar una cola de trabajos sin preguntar a ventas.

• Control de vocabulario — Gemini acepta hasta 1.000 términos personalizados (los mejores resultados se obtienen con hasta unos 100) y advierte explícitamente de que el vocabulario personalizado no puede combinarse con la diarización ni con las marcas de tiempo de palabras. El sesgo de contexto de Voxtral acepta términos clave y texto libre, y Mistral informa de una recuperación de frases clave del 94,6 % con prompting frente al 81,4 % sin él. Fíjese en la forma de esa afirmación: es una recuperación con sesgo, no errores con sesgo, y está reportada por el proveedor.

• Manejo de autocorrecciones — El modo `smart` de Gemini resuelve autocorrecciones y normaliza los números y las monedas dictados. Mistral no ofrece ningún modo documentado equivalente. Si tu audio son entrevistas o conversaciones de centro de llamadas llenas de "no, espera, quería decir", esta es la característica que, por sí sola, más probabilidades tiene de decidir la elección.

• Streaming — Gemini tiene una SKU activa a aproximadamente $0,009/min en combinación. El nivel de streaming de Voxtral es un modelo distinto, Voxtral Mini Transcribe Realtime 3, a $0,008/min con una latencia configurable entre 80 y 2.400 ms. El modelo de streaming de ninguno de los dos proveedores es el buque insignia en precisión, por lo que comparar la precisión del streaming con las cifras por lotes anteriores es un error de categoría.

• Madurez — G​emini 3.5 Transcribe es GA desde el 26 de agosto de 2026 y tiene una puntuación WER independiente en un panel público. Voxtral Small Transcribe 3 está en versión preliminar pública desde el 20 de octubre de 2026, sin historial de tiempo de actividad, sin fecha de GA y sin compromiso publicado de que su precio de versión preliminar se mantenga.

El número de diarización es el que hay que probar.

Si hay una sola frase en esta comparación que debería llevarte a tu propio audio, es esta: Mistral afirma un 18,4 % de error de diarización frente al 38,4 % de Gemini, y Google no publica ninguna cifra que lo contradiga. Es una brecha sospechosamente grande para una diferencia de clase de precisión: 2,1 % frente a 2,6 % en transcripción simple no predice una brecha de 2× en la atribución de hablantes. Hay dos explicaciones disponibles y solo tus datos las separan. O bien la diarización de Gemini es genuinamente más débil, lo que encajaría con su límite documentado de ocho hablantes y su nota de «experimental» para tres o más hablantes, o bien el arnés de evaluación de Mistral favorece a su propio modelo de una forma que una nueva ejecución neutral no reproduciría.

Prueba práctica: toma cuarenta minutos del peor audio con varios hablantes que tengas —voces cruzadas, un hablante por línea telefónica, al menos un punto en el que dos personas hablen a la vez—, ejecuta ambos y cuenta los cambios de hablante en lugar de los errores de palabras. Eso lleva una tarde y zanja una afirmación que ningún proveedor puede zanjarte.

Cuánto cuestan realmente las transcripciones a escala

Haz los cálculos sobre una organización de soporte que registra 4000 horas al mes. A $0.004/min, Voxtral Small Transcribe 3 sale por $960. A $0.005/min, G​emini 3.5 Transcribe sale por $1200. La diferencia mensual de $240 es real y equivale aproximadamente al coste de una hora de ingeniero por día laborable, que es la forma correcta de sopesarla: significativa frente a una alternativa autoalojada cuyo coste operativo no te supone nada, irrelevante si el modo `smart` de G​emini elimina un paso de posprocesamiento que de otro modo tendrías que pagar.

Ese paso de posprocesamiento es donde la comparación de precios suele fallar. Una transcripción sin procesar con muletillas y autocorrecciones sin resolver necesita una pasada de limpieza —ya sea una capa de regex que mantengas o una llamada a un LLM por archivo—. Una transcripción limpia, puntuada y etiquetada por hablante de G​emini no. Si tu pipeline actualmente dedica una llamada a un modelo de lenguaje por transcripción para corregir el formato, incluye esa llamada en la comparación antes de concluir que Mistral es un 20 % más barato.

Para los equipos que quieren ambas cosas —la diarización de Mistral en las llamadas donde importan los hablantes, la limpieza de G​emini en el archivo masivo—, la limitación no suele ser el dinero, sino las claves y los proveedores. El catálogo de modelos de OrcaRouter no incluye actualmente ni Voxtral 3 ni G​emini 3.5 Transcribe, así que esta combinación concreta sigue implicando dos contratos. Donde sí ayudamos es en la capa superior: el modelo de razonamiento que resume o enruta esas transcripciones puede venir de un único endpoint con conmutación automática por error, de modo que la elección del proveedor de voz no bloquee también la elección de tu modelo posterior.

Veredicto

Elija Voxtral Small Transcribe 3 si su problema son los hablantes y sus idiomas son europeos: la afirmación sobre la diarización, los 24 idiomas de la UE y la tarifa un 20% más baja apuntan en la misma dirección, y un WER del 2,1% en una tabla independiente significa que no está sacrificando precisión a cambio. Elija G​emini 3.5 Transcribe si su problema es la propia transcripción: autocorrecciones, formato, una amplia lista de configuraciones regionales con nombre y un límite publicado de duración de audio con el que puede planificar la capacidad. Lo único que no haría es decidirme por la diferencia de 0,5 puntos en el WER. Es menor que la variación entre ejecuciones de cualquier tabla, y ambos proveedores publican la cifra que les conviene de la misma familia de evaluaciones.

La pregunta abierta es qué ocurre cuando Voxtral Small Transcribe 3 salga de la vista previa. Si Mistral mantiene $0.004 y una nueva ejecución independiente de diarización confirma la diferencia de 18 puntos, esto deja de ser una decisión reñida para cualquiera que haga análisis de reuniones o llamadas. Si el precio cambia en la disponibilidad general, el caso vuelve a reducirse a la cobertura de idiomas y la atribución de hablantes únicamente.