Mistral ha lanzado Voxtral 3, una familia de modelos de voz y un kit para montar agentes que escuchan, razonan, hablan y ejecutan acciones durante una llamada. Lo anunció el 20 de octubre en su blog oficial con un precio que llama la atención: el agente de voz completo cuesta 0,04 dólares por minuto si razona con su propio modelo Mistral Small 4.
Funciona en más de 50 idiomas para transcribir y en más de 35 para hablar, incluido el español de España con voces predefinidas. Y se puede usar desde la API de Mistral alojada en Europa o instalar en servidores propios, que es lo que más va a pesar para bancos, aseguradoras o sanidad.
Puntos clave de Voxtral 3
- Cuatro modelos nuevos: Voxtral Small Transcribe 3 (transcripción de máxima precisión), Mini Transcribe 3 (4.000 millones de parámetros, barato), Mini Transcribe Realtime 3 (tiempo real, menos de 500 milisegundos de latencia) y Voxtral Speech 3 (texto a voz).
- Kit de agentes de voz (SDK) construido sobre LiveKit: escucha, razona, llama a herramientas y responde en un solo flujo. Cada turno se completa en menos de un segundo y el agente se calla si le interrumpes.
- Precios: transcripción desde 0,0035 dólares por minuto, voz a 13 dólares por millón de caracteres y agente completo a 0,04 dólares el minuto con Mistral Small 4 (0,08 con cualquier otro modelo).
- Clonación de voz profesional (Pro Voice) con 30 minutos de audio, que reproduce el estilo y el rango emocional de una persona en varios idiomas.
- Despliegue: API en servidores europeos, de Estados Unidos o globales, o instalación propia.
Qué hace cada pieza
La transcripción es la parte más sólida en papel. Voxtral Small Transcribe 3 distingue quién habla en cada momento (lo que se llama diarización), acepta una lista de términos para acertar con vocabulario técnico (nombres de productos, apellidos, siglas) y detecta cuándo alguien ha terminado de hablar. Ese último punto es lo que separa un agente de voz que se siente natural de uno que te pisa o se queda en silencio incómodo.
Mistral dice que este modelo supera a Whisper de OpenAI, a Scribe v2 de ElevenLabs y a Gemini 3.5 Transcribe en transcripción multilingüe, también en español. Son pruebas suyas sobre benchmarks públicos (FLEURS, AMI, Earnings-22), así que habrá que esperar a que alguien independiente las repita.
La versión en tiempo real, Mini Transcribe Realtime 3, está pensada para agentes: transcribe mientras hablas con menos de medio segundo de retraso. Cuesta 0,008 dólares el minuto.
Para hablar, Voxtral Speech 3 ajusta la emoción, el ritmo y el énfasis según el contexto de la conversación, sin que tengas que marcarlo. Si el cliente está enfadado, baja el tono. Si da una buena noticia, se alegra. También lee bien números, fechas, correos y precios, que es donde los sistemas de voz suelen hacer el ridículo: en la demo, la versión anterior leía "21:00pm" como "21.000 pm" y la nueva lo dice bien. Hay voces predefinidas en 18 idiomas, entre ellos español de España y catalán.
Mistral asegura que a 13 dólares por millón de caracteres sale más barato que OpenAI TTS-1, Deepgram, ElevenLabs Flash y Gemini Flash. Las comparativas de calidad por dólar son internas y usan otro modelo (Gemini 3.8 Flash) como juez, algo a tener en cuenta antes de tomarlas al pie de la letra.
Cómo funciona el agente de voz
El kit de agentes une las tres piezas. Un modelo escucha y detecta el fin de turno, un modelo de texto (Mistral Small 4 u otro) razona y decide qué hacer, y Voxtral Speech 3 contesta. Ninguna etapa espera a que acabe la anterior, y por eso cada respuesta llega en menos de un segundo.
Durante la llamada, el agente puede verificar la identidad de quien llama, consultar una factura o reservar una cita, porque tiene acceso a funciones, búsqueda web y a los datos de tu empresa. Atiende y hace llamadas por SIP (la telefonía de toda la vida en empresa), funciona en navegador y apps por WebRTC y se conecta a las centralitas, IVR y software de contact center que ya tengas.
El ejemplo que enseña Mistral es bueno. Una paciente anglófona llama con una carta de derivación de su médico escrita en francés. El agente lee la carta, se la explica en inglés, busca hueco con el dermatólogo y reserva la cita, todo en la misma llamada.
Cada pieza es un modelo distinto, así que puedes cambiar el modelo que razona, la voz o el idioma sin reescribir el agente.
Lo que cuesta de verdad
Las cifras de precio son lo más interesante para quien está pensando en automatizar llamadas. A 0,04 dólares el minuto, una llamada de cinco minutos sale a 0,20 dólares. Un servicio de atención que mueva 10.000 minutos al mes pagaría unos 400 dólares en uso del agente, sin contar la telefonía ni el trabajo de montarlo.
Para comparar, ElevenLabs lanzó en septiembre Reception, un recepcionista por 29 dólares al mes, pensado para negocios pequeños, y este mes Architect para mejorar agentes de atención. ElevenLabs es el rival directo y vale ya 22.000 millones gracias a sus agentes de voz. Mistral entra a competir por precio y por soberanía de datos, que son justo sus dos argumentos de siempre.
Por qué importa a una empresa española
El dato que más pesa aquí es dónde se procesa el audio. Una llamada de un cliente lleva datos personales, a veces de salud o financieros. Con Voxtral 3 puedes procesarla en servidores europeos o en los tuyos, y decidir si se guarda o no el audio. Para cualquier empresa que tenga que pasar por un responsable de protección de datos, esto acorta meses de conversación.
Mi lectura: el agente de voz ya es barato y suena bien en español. Lo difícil ahora está en conectar el agente a tus sistemas (el CRM, la agenda, el ERP) y en decidir qué llamadas puede cerrar solo y cuáles tiene que pasar a una persona. Si tienes un equipo que pasa el día cogiendo llamadas para dar citas, consultar pedidos o confirmar entregas, vale la pena montar una prueba con un caso concreto y medir cuántas cierra sin ayuda.
Se puede probar hoy en los playgrounds de Mistral Studio, donde están el agente de voz, la transcripción, la generación de voz y la clonación. Para instalarlo en servidores propios hay que hablar con su equipo comercial.
Fuente original: mistral.ai
Relacionado
