Voxtral 3 reúne modelos para transcribir audio, generar voces y crear agentes capaces de conversar y realizar tareas por teléfono o web. Se puede probar en Mistral Studio y usar mediante su API.
Mistral ha presentado Voxtral 3, una familia de modelos de audio que cubre tres tareas: pasar conversaciones a texto, generar voz a partir de texto y construir asistentes que escuchan, responden y pueden realizar acciones durante una llamada. Los modelos están disponibles mediante la API de Mistral y pueden probarse en los espacios de audio de Mistral Studio.
Para transcribir grabaciones, Voxtral Mini Transcribe 3 y Voxtral Small Transcribe 3 reconocen más de 50 idiomas. Pueden separar las intervenciones de varias personas y aceptar vocabulario de contexto, como nombres propios o términos técnicos, para mejorar su reconocimiento. La versión Small está orientada a una mayor precisión; Mini busca reducir el coste y el tiempo de procesamiento.
Voxtral Mini Transcribe Realtime 3 se centra en el audio en directo. Está diseñado para producir texto mientras alguien habla y detectar cuándo termina su turno, algo necesario para subtítulos en vivo y asistentes que no interrumpan antes de tiempo. Mistral indica que trabaja con decenas de idiomas, aunque las prestaciones concretas varían entre los modelos de archivo y los de tiempo real.
En sentido inverso, Voxtral Mini TTS 3 convierte texto en voz y permite ajustar emoción, ritmo y énfasis. Mistral anuncia soporte para más de 35 idiomas y más de 50 variantes regionales. También ofrece voces prediseñadas y una opción de adaptación de voz a partir de muestras de audio; esa función requiere disponer de una grabación adecuada del hablante.
El kit de agentes de voz conecta la transcripción, un modelo que interpreta la petición y puede llamar a herramientas, y la respuesta hablada. Así, un asistente puede consultar datos o tramitar una cita mientras conversa por teléfono o en una aplicación web. Cada pieza se puede configurar por separado; no se trata de un único modelo que haga todo automáticamente.
Mistral ofrece acceso a través de sus servicios alojados y plantea el despliegue en infraestructura propia para organizaciones que lo necesiten. El anuncio incluye precios por minuto para transcripción y agentes, y por caracteres para voz sintética. Antes de usarlo en un producto conviene elegir el modelo y la modalidad de audio según el idioma, la latencia y el coste del caso concreto.
