Introducción a las capacidades de audio de Mistral
En esta página
Actualización del 2 de noviembre de 2026 — Le Chat es ahora Vibe. Desde el 28 de mayo de 2026, Le Chat ha cambiado de marca para convertirse en Vibe (todavía en chat.mistral.ai): un único agente para el trabajo y la programación que conserva tus conversaciones, configuraciones y suscripciones. La experiencia heredada de Le Chat sigue accesible en el modo Chat; en el modo Work, los agentes se han convertido en habilidades (que se invocan con
@), las memorias son ahora la base de conocimientos y la investigación profunda es la habilidad Deep Research. Los planes se llaman ahora Mistral Free, Pro, Team y Enterprise. Esta lección utiliza el nombre Vibe; ten en cuenta que algunos menús descritos aquí pueden haber cambiado de nombre o de ubicación.
Cuando la IA aprende a escuchar y hablar
Tras la visión, el audio representa la segunda gran revolución multimodal de Mistral AI. Con la familia de modelos Voxtral, Vibe ya no solo lee y escribe texto: ahora puede transcribir voz, participar en conversaciones de voz y generar voz a partir de texto. En resumen, el ciclo está completo: la IA te escucha, te entiende y te responde en voz alta. Esta lección presenta todas estas capacidades antes de que las siguientes las detallen una por una.
La familia Voxtral
Mistral ha desarrollado un conjunto completo de modelos de audio bajo la marca Voxtral, donde cada uno cumple una función específica en la cadena de procesamiento de audio. Voxtral Mini Transcribe es el modelo de transcripción por lotes (voz a texto): le proporcionas un archivo de audio y devuelve texto escrito con una precisión notable; este es el modelo que entra en acción cuando subes la grabación de una reunión. Voxtral Realtime es su homólogo en tiempo real: diseñado para conversaciones de voz, transcribe el habla a medida que ocurre con una latencia ultrabaja, configurable por debajo de 200 milisegundos; esto es lo que hace posible el modo de voz fluido de Vibe. Por último, Voxtral TTS va en la dirección opuesta: la síntesis de voz a partir de texto transforma el texto en una voz natural, con la capacidad de clonar una voz a partir de apenas unos segundos de grabación.
| Característica | Modelo | Idiomas | Latencia |
|---|---|---|---|
| Transcripción (STT por lotes) | Voxtral Mini Transcribe V2 | 13 idiomas | Unos segundos por archivo |
| Transcripción en tiempo real (STT) | Voxtral Realtime | 13 idiomas | Menos de 200 ms |
| Texto a voz (TTS) | Voxtral TTS | Más de 9 idiomas | ~90 ms (modelo) |
Voz a texto: de la voz al texto
La transcripción de audio es la capacidad de convertir una grabación de voz en texto escrito, y Voxtral Mini Transcribe destaca en varios aspectos. En primer lugar, su precisión: la tasa de error de palabras se mantiene baja, incluso en grabaciones de calidad media, como las que captura un teléfono colocado en medio de una mesa de conferencias. También realiza diarización, es decir, identifica automáticamente a los distintos interlocutores en una conversación: la transcripción distingue entre «Hablante 1» y «Hablante 2», lo cual lo cambia todo para las actas de reuniones. Su robustez frente al ruido le permite mantener una buena precisión en entornos difíciles: cafeterías, calles o reuniones con múltiples voces. Por último, gestiona grabaciones largas, de hasta 3 horas de audio en una única solicitud, suficiente para cubrir una conferencia entera.
En cuanto a los idiomas, se admiten 13: inglés, francés, español, alemán, italiano, portugués, neerlandés, chino, hindi, árabe, ruso, japonés y coreano. Para los casos de uso europeos más comunes, estás bien cubierto.
Texto a voz: del texto a la voz
El texto a voz funciona en la dirección opuesta: proporcionas texto y Voxtral TTS lo lee en voz alta con una voz natural. Su característica más espectacular es la clonación de voz: a partir de apenas 2 o 3 segundos de una grabación de tu voz, el modelo puede generar habla que suene como tú. Esta clonación se basa en el principio de la voz como instrucción: el modelo reproduce la entonación, el ritmo y la emoción de la muestra de voz de referencia sin necesidad de anotar el texto con etiquetas de prosodia; la propia muestra sirve de instrucción.
El modelo es multilingüe —inglés, francés, español, portugués, italiano, neerlandés, alemán, hindi y árabe— e incluso puede mezclar idiomas dentro de un mismo pasaje. Por último, funciona en modo de transmisión continua: la generación de voz comienza en unos 90 milisegundos, lo que permite interacciones casi instantáneas en lugar de esperar entre tu pregunta y la respuesta hablada.
¿Para qué se utiliza el audio en Vibe?
En la práctica, como usuario de Vibe, estas capacidades se traducen en cuatro acciones cotidianas. Puedes transcribir una reunión: subes la grabación y obtienes un resumen en texto en segundos. Puedes hablar por voz activando el modo de voz, para mantener una conversación natural sin teclado. Puedes escuchar las respuestas pidiendo a Vibe que lea su texto en voz alta, algo útil mientras caminas o cocinas. Y puedes dictar tus mensajes, hablando en lugar de escribir.
En las siguientes lecciones, detallaremos cada uno de estos usos paso a paso: primero la transcripción de archivos, luego el modo de voz en tiempo real y, finalmente, la síntesis de texto a voz.
Puntos clave
- Voxtral es la familia de modelos de audio de Mistral, que abarca transcripción, procesamiento en tiempo real y texto a voz
- La transcripción admite 13 idiomas, diarización y hasta 3 horas de audio
- El texto a voz puede clonar una voz en segundos y hablar en más de 9 idiomas
- En Vibe, todo está integrado: puedes transcribir, hablar y escuchar sin herramientas externas