Voxtral — Los modelos de audio de Mistral
En esta página
El audio, la nueva frontera de la IA
La inteligencia artificial ya no se limita al texto. Comprender y producir voz se ha convertido en un reto concreto para muchas aplicaciones: asistentes de voz, transcripción de reuniones, doblaje y accesibilidad. Mistral ha desarrollado la familia Voxtral para cubrir toda esta cadena. Los cuatro modelos que vamos a analizar no son intercambiables: cada uno ocupa un punto específico en la cadena, y confundir sus funciones es el error más habitual al diseñar una aplicación.
Voxtral TTS — Síntesis de voz de nueva generación
Lanzado en marzo de 2026, Voxtral TTS es el modelo de síntesis de texto a voz (text-to-speech). Se trata de uno de los lanzamientos más destacados del año, principalmente por una capacidad: la clonación de voz zero-shot.
El principio es sencillo de enunciar, pero tiene implicaciones importantes. Proporcionas una muestra de audio de una voz —basta con unos segundos— y el modelo genera cualquier texto con esa voz, sin necesidad de entrenamiento adicional. El timbre, el ritmo y las características de la voz de origen se capturan en una sola pasada: no hace falta financiar campañas de recopilación de datos ni sesiones de entrenamiento entre el momento en que se oye una voz y aquel en que se puede utilizar.
Surgen inmediatamente cuatro ámbitos de aplicación. El doblaje y la localización permiten traducir contenido de audio conservando la voz original, lo que mantiene la identidad de la marca o del locutor en distintos idiomas. La accesibilidad se beneficia de interfaces equipadas con una voz natural y personalizada, en lugar de una síntesis impersonal. El contenido educativo logra una narración coherente de un módulo a otro, sin necesidad de volver a grabar. Y los asistentes de voz pueden por fin contar con una identidad sonora distintiva.
Desde el punto de vista técnico, el modelo es multilingüe y admite el francés. Funca en streaming en tiempo real: la voz se genera sobre la marcha, sin esperar a que esté disponible todo el texto, lo que permite conversaciones fluidas. El resultado se acerca mucho al habla humana, con gestión de la entonación y la emoción. El modelo pertenece al nivel Open, con los pesos publicados en Hugging Face.
Este poder exige disciplina. Mistral recomienda obtener sistemáticamente el consentimiento de la persona cuya voz se clona, no utilizar nunca esta tecnología para suplantar una identidad e identificar claramente el contenido generado por IA. Estas tres reglas no son precauciones teóricas: un proyecto de doblaje que las descuide expone tanto a su cliente como a la persona cuya voz ha servido de modelo.
Voxtral Mini Transcribe 2 — Transcripción de audio
Lanzado en febrero de 2026, Voxtral Mini Transcribe 2 va en la dirección opuesta: es el modelo de transcripción de audio de Mistral, es decir, de voz a texto, y convierte el habla en texto con alta precisión. Pertenece al nivel Premier, por lo que se accede a él mediante la API.
Cuatro capacidades lo distinguen de un transcriptor básico. La transcripción es multilingüe con detección automática del idioma, lo que evita tener que configurar cada archivo por adelantado. La diarización identifica a los distintos interlocutores en una conversación; sin ella, un acta de reunión con seis participantes sigue siendo un bloque de texto inutilizable. El sesgo de contexto permite proporcionar al modelo vocabulario especializado, nombres propios o términos técnicos, de modo que deje de deformar las referencias importantes en tu sector. Por último, las marcas de tiempo alinean la transcripción palabra por palabra con la pista de audio.
Estas características definen los casos de uso: actas de reuniones con identificación de participantes, subtitulado sincronizado, análisis de llamadas de atención al cliente e indexación de contenido hablado para hacer buscable un archivo de grabaciones que antes no lo era.
Voxtral Mini Transcribe Realtime — Procesamiento en tiempo real
Cuando la latencia tiene prioridad sobre la fineza, Voxtral Mini Transcribe Realtime transcribe en un flujo continuo: el texto aparece a medida que la persona habla, sin esperar al final de la frase. Este modelo pertenece al nivel Open, lo que permite el autoalojamiento, un argumento decisivo para aplicaciones sensibles en las que el audio no debe salir de tu infraestructura.
| Característica | Transcribe 2 | Transcribe Realtime |
|---|---|---|
| Latencia | Por lotes (postprocesamiento) | Tiempo real (streaming) |
| Precisión | Mayor | Ligeramente inferior |
| Diarización | Sí | Limitada |
| Nivel | Premier | Open |
| Uso típico | Transcripción de archivos | Subtitulado en directo |
Lee esta tabla como una compensación, no como una clasificación: no eliges Realtime porque sea mejor, sino porque el subtitulado en directo no tolera ningún postprocesamiento.
Voxtral Small — Entrada de audio
Voxtral Small, publicado en julio de 2025, desempeña un papel diferente al de los anteriores. Acepta audio como entrada para tareas de instrucciones: le envías un archivo y le pides que lo resuma, que responda a preguntas sobre su contenido o que lo analice. Por tanto, no es un transcriptor que encadenarías con un modelo de texto, sino un modelo multimodal de instrucciones de audio, que trabaja directamente sobre la señal sonora.
Puntos clave
- Voxtral TTS (marzo de 2026) es el modelo de síntesis de voz con clonación de voz zero-shot
- Voxtral Mini Transcribe 2 ofrece transcripción precisa con diarización y sesgo de contexto
- Voxtral Realtime permite la transcripción en streaming, de código abierto
- Voxtral Small es un modelo multimodal de instrucciones que comprende entradas de audio
- La familia Voxtral cubre toda la cadena: texto → voz (TTS), voz → texto (transcripción) y voz → comprensión (instrucciones de audio)