Imagen para ayudar a comprender el artículo
Reconocimiento, generación y clonación de voz
Mistral AI presentó el 20 de octubre de 2026 Voxtral 3, una familia de modelos con funciones de reconocimiento de voz, transcripción en tiempo real, generación y clonación de voz, además de herramientas para desarrollar agentes conversacionales. Según la compañía, su tecnología de texto a voz, conocida como TTS, admite más de 35 idiomas.
Precios por minuto y caracteres
El procesamiento por lotes de Voxtral Mini Transcribe 3 cuesta 0,0035 dólares por minuto, mientras que Voxtral Small Transcribe 3 tiene una tarifa de 0,0040 dólares por minuto. Para transcripciones en tiempo real, Voxtral Mini Transcribe Realtime 3 cuesta 0,008 dólares por minuto.
En generación de voz, Voxtral Mini TTS 3 tiene un precio de 13 dólares por cada millón de caracteres. Mistral AI indicó que, en sus evaluaciones internas de TTS multilingüe y de expresividad en inglés, utilizó gemini-3.8-flash como modelo evaluador.
El precio de la API para agentes de voz depende del modelo integrado: la configuración con Mistral Small 4 reasoning cuesta 0,04 dólares por minuto, mientras que las opciones con modelos de mayor tamaño ascienden a 0,08 dólares por minuto.
Disponibilidad y resultados independientes
Voxtral 3 está disponible mediante los puntos de acceso de API europeos, estadounidenses y globales de Mistral AI. Las organizaciones interesadas en implementarlo en sus propias instalaciones o en una nube privada deben contactar directamente con la empresa. El entorno Studio también permite probar la transcripción, la generación y clonación de voz y los agentes conversacionales.
En la medición independiente AA-WER de Artificial Analysis para transcripción sin streaming, Voxtral Small registró un 2,1% y Voxtral Mini un 2,2%. Fun-Realtime-ASR-preview obtuvo un 1,7% y MAI-Transcribe-2 un 2,0%, ambos por delante de Voxtral Small. Scribe v2 igualó el 2,2% de Voxtral Mini, mientras que Gemini 3.5 Transcribe alcanzó un 2,6% y GPT Transcribe un 3,3%.
El indicador AA-WER combina tres conjuntos de evaluación: AA-AgentTalk representa el 50% de la puntuación, mientras que VoxPopuli-Cleaned-AA y Earnings22-Cleaned-AA aportan un 25% cada uno.
Comentarios
Publicar un comentario