Según MarkTechPost (AI/ML News), Mistral AI ha presentado Voxtral 3, una familia de modelos de lenguaje especializados en procesamiento de voz. Esta nueva tecnología combina tres modelos de transcripción, uno de síntesis de voz y un entorno de desarrollo para agentes vocales, todo integrado en una sola plataforma. El lanzamiento se realiza en octubre de 2026 y está disponible en una fase de prueba pública a través de la API de Mistral.
El modelo Voxtral Mini Transcribe 3 cuenta con 4 mil millones de parámetros, diseñado para entornos con recursos limitados. Aunque el tamaño del modelo Small Transcribe 3 no se ha revelado, ambos modelos de batch ofrecen un contexto de hasta 32 mil tokens. Los modelos se pueden ejecutar en la infraestructura de Mistral a través de sus endpoints en Europa, Estados Unidos o en un entorno global, o en infraestructuras propias mediante acuerdos comerciales. Los requisitos de GPU y memoria VRAM no se han especificado oficialmente. La empresa destaca que el modelo Mini es ideal para escenarios donde el consumo de recursos es crítico.
En términos de rendimiento, Voxtral 3 ocupa los tres primeros puestos en pruebas independientes de transcripción de voz, destacando especialmente en la separación de hablantes (diarización) y en transcripciones multilingües en batch. El modelo Small Transcribe 3 alcanza una tasa de error de 2,1% en la evaluación AA-WER, posicionándose como el tercero más preciso en análisis de inteligencia artificial. Sin embargo, en escenarios de transcripción en tiempo real, presenta un error de 7,4% en el conjunto FLEURS 35, frente a los 4,2% del modelo Gemini 3.5 Realtime. Esto indica una brecha en velocidad y precisión en condiciones dinámicas.
La familia Voxtral incluye cuatro modelos y un SDK especializado. El Voxtral Small Transcribe 3 actúa como modelo principal para transcripciones masivas y diarización, además de permitir traducción, respuesta a preguntas orales, resumen de contenidos y llamadas a funciones. El Voxtral Mini Transcribe 3 es una opción más económica y rápida para tareas de batch. El modelo Mini Transcribe Realtime 3 permite transcripción en vivo mediante WebSocket, con detección de fin de turno. Finalmente, el Voxtral Speech 3 ofrece síntesis de voz, conocido también como Voxtral Mini TTS 3. Todos los modelos soportan diarización y un ajuste de contexto, que mejora la recuperación de palabras clave o frases específicas. Los modelos cubren 50 idiomas, incluyendo los 24 oficiales de la Unión Europea.
Para el lector peruano, esta evolución en inteligencia artificial puede ser clave en sectores como educación, salud o servicios públicos. Las herramientas que permiten transcribir conversaciones en tiempo real y procesarlas con precisión pueden mejorar el acceso a información en idiomas locales, facilitar la comunicación en entornos multilingües y reducir tiempos de respuesta en atención al cliente. Aunque aún no está disponible en el mercado local, su desarrollo abre puertas a aplicaciones que podrían integrarse en servicios gubernamentales o instituciones educativas.