Voxtral en 2026: TTS y transcripción en tiempo real
En esta página
Actualizado el 2 de noviembre de 2026 — audio. Los modelos Voxtral TTS (
voxtral-mini-tts-2603), Voxtral Mini Transcribe 2 (voxtral-mini-2602) y sus versiones en tiempo real están obsoletos desde el 31 de octubre de 2026, con una retirada programada para el 30 de abril de 2027. Sus sucesores de la familia Voxtral 3, lanzados el 20 de octubre en vista previa pública, y la canalización de Voice Agents se tratan en el curso Mistral en 2026 (lección 11).
Las capacidades de audio de Mistral se ampliaron en 2026 con dos nuevos componentes: la síntesis de texto a voz y la transcripción en tiempo real. Considerados por separado, son solo dos anuncios técnicos entre muchos; juntos, completan una cadena —desde la voz del usuario hasta la voz de la máquina— que ahora te permite construir un agente de voz completo sin salir del ecosistema de Mistral. Esta lección cubre cada componente y muestra después cómo encajan entre sí.
Voxtral TTS: dar voz a tus aplicaciones
Voxtral TTS (v26.03), anunciado el 23 de marzo de 2026, es el modelo de síntesis de texto a voz de Mistral. La documentación oficial destaca una calidad de vanguardia para agentes de voz, compatibilidad multilingüe y, sobre todo, una capacidad digna de mención: la clonación de voz zero-shot. En concreto, el modelo puede reproducir una voz a partir de una muestra de audio breve sin necesidad de un entrenamiento específico. Donde antes la clonación de voz requería horas de grabación y una fase de aprendizaje concreta, ahora bastan unos pocos segundos para obtener una imitación convincente.
Esta facilidad de uso exige un recordatorio inmediato, y no es un mero trámite: clonar la voz de una persona requiere su consentimiento explícito. En Europa, la voz es un dato personal según la ley. Los usos de suplantación —hacer que alguien diga lo que nunca dijo, hacerse pasar por esa persona por teléfono— son ilegales, punto. En cuanto a los usos legítimos, que los hay y muy sólidos —una voz de marca coherente en todos los canales, soluciones de accesibilidad que devuelven la voz a quienes la han perdido—, deben regirse por contrato: consentimiento por escrito, alcance de uso definido y duración especificada. Si tu proyecto implica clonar una voz real, construye este marco legal antes de escribir la primera línea de código, no después.
Voxtral Mini Transcribe Realtime: comprensión en tiempo real
El segundo componente aborda una carencia claramente identificada. Mistral ya ofrecía transcripción de archivos de audio con Voxtral, pero este modo por lotes asume que la grabación ha terminado antes de procesarla. Sin embargo, toda una familia de casos de uso no puede esperar: subtitulado en directo de reuniones o eventos, un agente de voz que debe comprender mientras el usuario habla, toma de notas automática continua.
Esto es lo que cubre Voxtral Mini Transcribe Realtime (v26.02), descrito en la documentación como un modelo de entrada de audio eficiente, preentrenado y optimizado para transcripción en directo. La diferencia respecto al modo por lotes no es cosmética: en tiempo real, la latencia se convierte en la restricción principal, porque un agente de voz que tarda tres segundos en comprender una frase genera una conversación insoportable. Un modelo optimizado específicamente para el flujo continuo es, por tanto, la respuesta arquitectónica correcta, en lugar de reutilizar el modelo por lotes.
La suite de audio de Mistral y cómo ensamblarla
La gama de audio consta ahora de tres componentes complementarios:
| Componente | Modelo | Uso |
|---|---|---|
| Transcripción (por lotes) | Voxtral (STT) | Transcribir archivos de audio |
| Transcripción (en directo) | Voxtral Mini Transcribe Realtime | Flujo en tiempo real |
| Síntesis | Voxtral TTS | Dar voz a tus aplicaciones |
Para un agente de voz completo, la cadena típica se ensambla como sigue: la transcripción en tiempo real convierte el habla del usuario en texto al vuelo, un modelo de lenguaje —Small 4 para la mayoría de los casos, Medium 3.5 para los más exigentes— comprende y formula la respuesta, y luego Voxtral TTS la pronuncia. Cada eslabón proviene del mismo proveedor, lo que simplifica la contratación, la facturación y el cumplimiento normativo, un argumento que tiene peso en proyectos empresariales.
Nuestros cursos «Transcripción con Voxtral» y «Voxtral TTS» cubren los fundamentos de estos componentes; esta lección los sitúa en la gama actualizada de 2026. Si los has realizado, la arquitectura descrita aquí es la combinación natural de lo que ya sabes hacer componente a componente.
Fuente oficial: docs.mistral.ai — Models Overview
Puntos clave
- Voxtral TTS (v26.03): síntesis de vanguardia con clonación de voz zero-shot
- La clonación de voz requiere el consentimiento explícito de la persona; esto no es negociable
- Voxtral Mini Transcribe Realtime (v26.02) cubre la transcripción en directo
- Cadena del agente de voz: transcripción en tiempo real → LLM → TTS, todo del mismo proveedor