Mistral Voxtral 3 suma agentes de voz desde 0,0035 dólares por minuto

Mistral AI lanzó Voxtral 3 el 20 de octubre de 2026, una familia de modelos de voz para crear agentes de voz que escuchan, razonan, hablan y actúan. La transcripción parte de 0,0035 dólares por minuto y un agente de voz completo, de 0,04 dólares por minuto. Mistral también afirma que los modelos superan a rivales cerrados de OpenAI y ElevenLabs, según Crypto Briefing.

Qué incluye Voxtral 3

Voxtral 3 cubre las dos direcciones del habla. Los modelos de voz a texto convierten audio en texto, y un modelo de texto a voz vuelve a convertir el texto en una voz. Una API de agentes de voz los conecta con un modelo de lenguaje, para que quien llama pueda hablar con un software que responde y realiza acciones.

El anuncio de Mistral recoge estos modelos y precios:

Modelo	Qué hace	Precio
Voxtral Mini Transcribe 3	Voz a texto por lotes	0,0035 dólares por minuto
Voxtral Small Transcribe 3	Voz a texto con etiquetas de hablante	0,0040 dólares por minuto
Voxtral Mini Transcribe Realtime 3	Voz a texto en directo	0,008 dólares por minuto
Voxtral Speech 3	Texto a voz	13 dólares por millón de caracteres
API de agentes de voz, con Mistral Small 4	Agente de voz completo	0,04 dólares por minuto
API de agentes de voz, con otro modelo	Agente de voz completo	0,08 dólares por minuto

La publicación nombra el modelo de voz de varias formas, entre ellas Voxtral Mini TTS 3. La transcripción cubre más de 50 idiomas, incluidos los 24 idiomas oficiales de la Unión Europea. El modelo de voz cubre más de 35 idiomas y 50 dialectos, con voces listas para usar en 18 idiomas. Una opción llamada Pro Voice crea una voz personalizada a partir de 30 minutos de habla grabada.

Cómo funcionan los agentes de voz

El kit de agentes se basa en LiveKit, un conjunto de herramientas de código abierto para audio y vídeo en directo. Se conecta a líneas telefónicas mediante SIP y a navegadores y aplicaciones mediante WebRTC. Cada etapa es un modelo independiente, así que un equipo puede cambiar el modelo de lenguaje, la voz o el idioma sin reescribir el agente, según Mistral.

La velocidad es el principal argumento. Mistral dice que la transcripción en directo funciona en menos de 500 milisegundos y que un turno completo del agente termina en menos de un segundo. Los agentes pueden llamar a sistemas externos en mitad de la conversación, informa The Decoder, para tareas como reservar citas o revisar facturas.

Los modelos funcionan en la API de Mistral, con endpoints en Europa, Estados Unidos y a nivel global. Las empresas también pueden desplegarlos en sus propios servidores o en una nube privada si contactan con Mistral.

Benchmarks y preguntas abiertas

Las cifras de Mistral salen de sus propias pruebas. En la transcripción con atribución de hablantes, el modelo también debe indicar quién habló. En esa prueba, Mistral informa una tasa de error del 18,4 % para Voxtral Small Transcribe 3. Eso supera a Scribe v2, con un 23,0 %, y a Gemini 3.5 Transcribe, con un 38,4 %, como muestra el gráfico de arriba.

Al detectar términos clave en conferencias de resultados, con una lista de palabras esperadas, Voxtral Small Transcribe 3 obtuvo un 94,6 %. Scribe v2 obtuvo un 94,3 % y Gemini 3.5 Transcribe, un 87,3 %.

Dos informaciones contradicen la propia página de Mistral. Crypto Briefing describe el pipeline como de pesos abiertos y cita unos 0,001 dólares por minuto. La publicación de Mistral no indica ninguna licencia y fija entre 0,0035 y 0,008 dólares por minuto para la transcripción. Hasta que Mistral publique los pesos y una licencia, trata Voxtral 3 como un producto de API con opción de autoalojamiento.

Cómo se compara en precio

Los precios de los agentes de voz están convergiendo. Grok Voice 3.0 de xAI cuesta 0,08 dólares por minuto en su API de agentes de voz. Mistral iguala ese precio con cualquier modelo externo y lo reduce a la mitad con su propio Mistral Small 4. Voxtral 3 es el cuarto lanzamiento de Voxtral de Mistral desde julio de 2025, tras modelos de voz en febrero y marzo de 2026.

Qué significa para los desarrolladores

Voxtral 3 convierte un agente de voz completo en un producto listo para usar y con precio fijado, en lugar de un proyecto armado a base de piezas.

• Calcula tu volumen de llamadas por minuto. A 0,04 dólares por minuto, un mes de 10.000 minutos cuesta unos 400 dólares con Mistral Small 4. Haz las cuentas con tu propia mezcla de llamadas antes de comparar proveedores.
• Prueba las etiquetas de hablante con tu audio. La tasa de error del 18,4 % sale de conjuntos de prueba elegidos por Mistral. Graba algunas llamadas reales en las que las voces se solapen y comprueba tú mismo quién dijo qué.
• Aprovecha el diseño modular. Como cada etapa es independiente, puedes mantener la transcripción de Mistral y conectar otro modelo de lenguaje. Eso cuesta 0,08 dólares por minuto en lugar de 0,04.
• Pregunta por los pesos antes de planificar el autoalojamiento. El despliegue local pasa por el equipo de ventas de Mistral, y no hay ninguna licencia publicada. Pide las condiciones por escrito si los datos deben quedarse dentro de la empresa.