Mistral Voxtral 3 permite crear un agente de voz de IA capaz de escuchar, comprender, consultar herramientas empresariales y responder oralmente. Lanzada el 20 de octubre de 2026, la gama cubre la transcripción de archivos en 50 idiomas, el tiempo real en 45 idiomas y dialectos, y la generación de voz en 35 idiomas. Para una pyme, el coste de uso puede mantenerse bajo, pero la integración telefónica, la seguridad y las pruebas empresariales determinan el éxito del proyecto.
¿Qué aporta Mistral Voxtral 3 a un agente de voz de IA?
Mistral Voxtral 3 es una familia de cinco modelos de audio que transforma el habla en texto o el texto en voz. Su Voice Agents SDK, basado en LiveKit, combina estas funciones con un modelo de lenguaje, herramientas empresariales y transmisión de audio continua. El interlocutor puede interrumpir al agente durante su respuesta.
La gama publicada por Mistral en 2026 incluye tres modelos de reconocimiento de voz y dos modelos de síntesis. Las referencias son voxtral-mini-transcribe-3-0, voxtral-small-transcribe-3-0, voxtral-mini-transcribe-realtime-3-0, voxtral-mini-tts-3-0 y voxtral-mini-tts-realtime-3-0.
Un agente de voz de IA es un software que mantiene una conversación oral y puede activar acciones controladas en otras aplicaciones. El Voice Agents SDK captura el audio, lo transcribe, transmite el texto a un modelo de lenguaje configurable, autoriza llamadas a herramientas, genera la respuesta de voz y devuelve el sonido al usuario.
Esta separación es importante para quien toma las decisiones. Puede cambiar el modelo encargado del razonamiento sin reconstruir toda la capa de audio, o limitar las herramientas accesibles según el escenario. Para situar el componente conversacional en el ecosistema del editor, consulte nuestra guía de Mistral para pymes y el RGPD donde se detallan los retos de gobernanza asociados.
¿Cómo crear una centralita telefónica con Mistral Voxtral 3?
Una centralita basada en Mistral Voxtral 3 requiere algo más que una conexión con la API. Hay que conectar la telefonía al Voice Agents SDK, convertir el flujo de audio, configurar el modelo de lenguaje, delimitar las acciones autorizadas y prever la derivación a una persona. La documentación de Mistral exige que el SDK reciba audio mono PCM de 16 bits a 48 kHz.
El teléfono suele transmitir una señal a 8 kHz. Por tanto, una interfaz de audio personalizada o una pasarela telefónica debe recibir la llamada y convertir esta señal al formato esperado. Es un inconveniente sutil: una demostración satisfactoria en un navegador no demuestra que la calidad vaya a ser idéntica en una línea telefónica.
Para un servicio de gestión de citas, el flujo de integración puede seguir estos pasos:
- La pasarela recibe la llamada, informa al interlocutor de que está interactuando con un sistema automatizado y transmite un flujo de audio convertido.
voxtral-mini-transcribe-realtime-3-0produce el texto durante la conversación.- El modelo de lenguaje determina la intención y solicita, si es necesario, la ejecución de una herramienta empresarial.
- La aplicación del cliente consulta las franjas disponibles y confirma explícitamente los datos antes de registrar la cita.
- El modelo de síntesis de voz reproduce la respuesta, mientras que un webhook firmado señala el inicio, el final o el fallo de la llamada.
Las herramientas personalizadas se ejecutan en la aplicación de la empresa, y no automáticamente en Mistral. Las herramientas alojadas que ofrece Mistral pueden incluir la búsqueda web, bibliotecas documentales y conectores de espacios de trabajo. Por parte de la agencia, la buena práctica consiste en limitar cada herramienta a una acción concreta: leer una agenda no autoriza a modificar una ficha completa de cliente.
Debe preverse una derivación a una persona para las solicitudes sensibles, las incomprensiones repetidas y las acciones irreversibles. Sinceramente, permitir que un agente confirme por sí solo una cancelación o un pago desde la primera versión crea un riesgo desproporcionado con respecto al beneficio esperado.
¿Cuánto cuesta un agente de voz Mistral Voxtral 3 en 2026?
Las tarifas oficiales de la API de Mistral Voxtral 3 publicadas en 2026 comienzan en 0,0035 dólares por minuto para la transcripción Mini por lotes. La transcripción en tiempo real cuesta 0,008 dólares por minuto y la generación de voz, 13 dólares por millón de caracteres. Estos importes no incluyen el modelo de lenguaje, la telefonía, el alojamiento ni el almacenamiento.
| Usar | Modelo o modo | Tarifa hors impuestos aplicables | Uso adecuado |
|---|---|---|---|
| Transcripción de archivos | Mini batch | 0,0035 $ por minuto | Informes y archivos de audio |
| Transcripción de archivos | Small batch | 0,004 $ por minuto | Procesamientos que priorizan la precisión |
| Transcripción en directo | Mini realtime | 0,008 $ por minuto | Llamadas y conversaciones interactivas |
| Generación de voz | Mini TTS | 13 $ por millón de caracteres de entrada | Respuestas de voz y mensajes automatizados |
Un escenario de 1 000 llamadas de 4 minutos representa 4 000 minutos de transcripción en directo, es decir, 32 dólares con las tarifas de Mistral de 2026. Con unos 1 500 caracteres generados por llamada, la síntesis añade 19,50 dólares. El total de audio alcanza, por tanto, aproximadamente 51,50 dólares, antes del razonamiento del modelo de lenguaje, el operador telefónico, la servidores, la supervisión y el archivo.
El precio de la API no suele ser la primera partida de un proyecto piloto. La definición de los diálogos, la conexión con el software empresarial, las pruebas con llamadas ruidosas y la protección de las acciones requieren más trabajo. Con este nivel de consumo, es preferible invertir en los escenarios de fallo que ahorrar unos pocos dólares eligiendo el modelo de transcripción.
¿Qué latencia y precisión cabe esperar en condiciones reales?
La transcripción en tiempo real de Mistral Voxtral 3 ofrece en 2026 un retardo configurable de entre 80 y 1 200 milisegundos, así como un ajuste de 2 400 milisegundos. Reducir este retardo hace que el intercambio sea más ágil, pero disminuye la precisión. El tiempo total de un agente también incluye el razonamiento, las herramientas, la síntesis y la red.
Las evaluaciones de lanzamiento comunicadas por Mistral indican, en FLEURS-35, un WER del 5,7 % con un retardo de 2 400 ms y del 7,4 % a 240 ms. El WER, o tasa de error de palabras, mide la proporción de palabras sustituidas, eliminadas o añadidas. Estos resultados proceden del editor y no miden una llamada completa.
Una evaluación independiente difundida por Artificial Analysis el 21 de octubre de 2026 atribuía una WER del 2,1 % a Voxtral Small Transcribe 3 y del 2,2 % a Voxtral Mini Transcribe 3. Estas cifras se refieren a la transcripción, no a la calidad de la voz, la fiabilidad de las herramientas ni la latencia de extremo a extremo.
Un día después de la sortida, ninguna prueba independiente publicada cubría todavía el conjunto de los 35 idiomas de síntesis, las 45 variedades de transcripción en tiempo real, las llamadas a herramientas o las respuestas de voz largas. En los proyectos que llevamos a cabo, probamos por tanto grabaciones representativas: acentos reales, nombres de productos, ruido de oficina, interrupciones y calidad telefónica.
Preste atención también a las cifras lingüísticas. En 2026, Mistral anuncia 50 idiomas para los archivos, 45 idiomas y dialectos en tiempo real, y después 35 idiomas y más de 50 dialectos para el habla generada. Que un idioma sea compatible con la transcripción no significa necesariamente que esté disponible con una voz de sortida adecuada.
¿Cómo proteger los datos y elegir el alojamiento?
Mistral Voxtral 3 puede utilizar puntos de acceso API alojados en la Unión Europea, Estados Unidos o a escala mundial. Mistral también anuncia un despliegue completo en una nube privada o en las instalaciones del cliente a través de su equipo comercial. La elección debe depender de los datos tratados, los contratos y el nivel de control esperado.
Una conversación telefónica puede contener una identidad, un número, una dirección o un dato sensible. El RGPD, aplicable desde 2018, establece, entre otras cosas, una finalidad determinada, una base jurídica, una información comprensible y un plazo de conservación proporcionado. Informe claramente al interlocutor de la automatización y, si se graba el audio, del sort reservado a dicha grabación.
Mistral indica en 2026 que las organizaciones pueden controlar el lugar de tratamiento del audio y la conservación de las conversaciones. No obstante, las condiciones exactas no deben deducirse de una página comercial: compruebe el contrato de servicio, el accordo de tratamiento de datos, los subencargados y los parámetros aplicados a la cuenta.
Las llamadas a herramientas requieren una protección específica. Utilice permisos mínimos, valide los parámetros en el servidor, registre las acciones y exija una confirmación antes de cualquier operación importante. Los webhooks firmados ayudan a autenticar las notificaciones de inicio, finalización o error, pero no sustituyen una política de control de acceso.
Prevea también la indisponibilidad del proveedor o de la pasarela telefónica. Una transferencia a una persona, un mensaje de respaldo y un procedimiento de continuidad evitan que una avería bloquee la centralita. La preparación de un plan de recuperación tras un incidente en la nube y el control de los datos confiados a un proveedor de servicios proporcionan referencias útiles para este planteamiento.
Definir el alcance de un agente de voz antes de su desarrollo evita la mayoría de las sorpresas relacionadas con el teléfono, los permisos de acceso y la intervención humana. Una perspectiva externa puede ayudar sobre todo a transformar una demostración convincente en un servicio utilizable, medible y reversible.
Preguntas frecuentes sobre Mistral Voxtral 3
¿Puede Mistral Voxtral 3 hablar francés?
Mistral Voxtral 3 admite la generación de voz en 35 idiomas en 2026, mientras que se han anunciado más de 50 dialectos. La calidad debe probarse con el vocabulario, los nombres propios y las condiciones telefónicas propias de la empresa.
¿Voxtral 3 funciona directamente con una línea telefónica?
Voxtral 3 requiere una interfaz de audio personalizada o una pasarela para recibir una llamada telefónica. En particular, una señal telefónica de 8 kHz debe convertirse en audio PCM mono de 16 bits a 48 kHz para el Voice Agents SDK.
¿Se puede conectar Voxtral 3 a un CRM o a un calendario?
El Voice Agents SDK autoriza herramientas personalizadas que se ejecutan en la aplicación de la empresa. Un conector puede consultar un CRM o una agenda, siempre que se limiten los permisos, se validen los datos y se registren las acciones.
¿Se puede alojar Voxtral 3 en Europa?
En 2026, Mistral ofrecerá un punto de acceso a la API alojado en la Unión Europea, así como opciones en Estados Unidos o globales. También se anuncia una implementación en una nube privada o en las instalaciones del cliente a través del equipo comercial de Mistral.