Mistral ha presentado Voxtral 3, una nueva familia de modelos de texto a voz y voz a texto diseñada para crear agentes de voz de extremo a extremo. Esta solución integra la transcripción, la razonamiento, la llamada de herramientas y la síntesis de voz en un único pipeline de streaming en tiempo real, resolviendo la complejidad de hacer que estos sistemas funcionen de manera fiable y simultánea. El sistema soporta más de 50 idiomas, incluyendo 24 idiomas oficiales de la Unión Europea, y está optimizado para aplicaciones en centros de atención al cliente, asistentes virtuales y copilotas sin manos.
La familia Voxtral 3 incluye Voxtral Small Transcribe 3, un modelo de transcripción multilingüe que supera a Whisper, Scribe v2 y Gemini 3.5 Transcribe en tareas de diarización y precisión contextual. Su variante Mini, con 4.000 millones de parámetros, ofrece transcripciones rápidas y precisas a un coste de 0,0035 dólares por minuto. Por su parte, Voxtral Mini TTS 3.0 genera voz natural con emoción y expresión, soportando más de 35 idiomas y 50 dialectos, con un coste operativo inferior al de modelos comparables de OpenAI, Deepgram y ElevenLabs. Además, ofrece una función de adaptación de voz profesional que puede reproducir el estilo y la personalidad de un hablante utilizando solo 30 minutos de audio de muestra. Mistral ofrece esta tecnología a través de su API alojada en la UE o para su despliegue propio en infraestructura privada, garantizando el control total sobre el procesamiento de audio y la retención de datos.