Ir al contenido principal
Español— Elegir un idioma
Menú

Introducción al audio con Mistral AI

Lección 1 de 16 Actualizado el 3 de noviembre de 2026 Desarrollador
En esta página
  1. La familia Voxtral: la suite de audio de Mistral AI
  2. Dos formas de transcribir
  3. Qué hace Voxtral más allá del texto en bruto
  4. Cumplimiento normativo y soberanía
  5. Qué aprenderás
  6. Puntos clave

Curso actualizado el 3 de noviembre de 2026 para Voxtral 3, basado en la guía de Mistral Migrate from Voxtral 2: los modelos de Voxtral 2 (voxtral-mini-2602, voxtral-mini-transcribe-realtime-2602, voxtral-mini-tts-2603'), depreciados el 31 de octubre de 2026 y retirados el 30 de abril de 2027, se sustituyen en los ejemplos por voxtral-mini-transcribe-3, voxtral-mini-transcribe-realtime-3yvoxtral-mini-tts-3-0. Cambios clave: marca de tiempo solo por segmento (worddevuelve un error 400), diarización en tiempo real compatible, configuración de sesión en tiempo real bloqueada tras el primer fragmento de audio y entradas decontext_bias` de forma libre (frases con espacios). Fuentes: Migrate from Voxtral 2 · Speech to Text.

La familia Voxtral: la suite de audio de Mistral AI

Mistral AI ha ido más allá del texto. Con la familia Voxtral, la empresa francesa ofrece una suite completa de modelos dedicados al habla: transcripción, comprensión de audio y texto a voz (TTS). Este curso te enseña a aprovechar estas capacidades para convertir flujos de sonido en texto realmente utilizable, incluyendo el código Python correspondiente.

El reconocimiento automático del habla (ASR), o conversión de voz a texto (STT), impulsa herramientas cotidianas que probablemente ya uses. Los subtítulos en vídeos formativos, las actas de reuniones directivas, los asistentes de voz de atención al cliente y la accesibilidad digital en sitios web públicos dependen de la misma tecnología central. Mistral AI aporta a este espacio un enfoque soberano, de alto rendimiento y respetuoso con la privacidad, algo crítico cuando tu audio contiene nombres de pacientes, datos de clientes o deliberaciones internas.

50
Idiomas (archivos)
80 ms
Latencia mínima en tiempo real
3
Modelos STT de Voxtral

Dos formas de transcribir

Voxtral admite dos modos que abordan restricciones completamente distintas. El primero es la transcripción sin conexión (offline), también conocida como procesamiento por lotes: envías un archivo de audio completo y recibes la transcripción. Este modo es ideal para pódcasts grabados, entrevistas de campo subidas más tarde en el día o conferencias archivadas. Voxtral Mini Transcribe 3 y, para mayor precisión, Voxtral Small Transcribe 3 se encargan de esto, ofreciendo diarización y marcas de tiempo a nivel de segmento.

El segundo es la transcripción en tiempo real, o streaming: el audio se transcribe a medida que llega, con una latencia configurable entre 80 ms y 1,2 segundos (o 2,4 segundos). Nada está pregrabado; todo ocurre mientras la persona habla. Este modo impulsa los subtítulos de seminarios web en directo, los asistentes de voz o las herramientas de dictado. El modelo Voxtral Mini Transcribe Realtime 3 está diseñado para esto. Ten presente esta distinción desde ahora: determina la mayoría de tus decisiones técnicas durante el resto del curso.

Idiomas compatibles

Los modelos de transcripción de archivos de Voxtral 3 cubren 50 idiomas, mientras que el modelo en tiempo real admite 45 idiomas y dialectos, incluido el español. Sin un parámetro language, el modelo detecta automáticamente el idioma de la grabación; si lo conoces, especifícalo usando su código de dos letras (por ejemplo, es).

Qué hace Voxtral más allá del texto en bruto

La transcripción por sí sola no siempre es suficiente. La diarización identifica automáticamente a los interlocutores: en una reunión de cinco personas, el modelo distingue quién habló y cuándo, convirtiendo un muro de texto en un resumen legible. El sesgo de contexto (context biasing) te permite inyectar vocabulario especializado (nombres propios, términos técnicos, acrónimos) para que «Kubernetes» o «RGPD» no salgan mal parados en una reunión de ingeniería.

La marca de tiempo a nivel de segmento proporciona la hora de inicio y fin de cada segmento de transcripción, lo que permite generar subtítulos sincronizados; Voxtral 3 ya no admite marcas de tiempo a nivel de palabra. La robustez ante el ruido mantiene la precisión en entornos acústicos difíciles: ruido de fondo, reverberación en salas de reuniones o micrófonos de portátiles. Por último, puedes enviar grabaciones como archivos, mediante URL o desde archivos subidos previamente, y recibir respuestas como un flujo, fragmento a fragmento.

Cumplimiento normativo y soberanía

La generación anterior del modelo en tiempo real, Voxtral Realtime (voxtral-mini-transcribe-realtime-2602, 4 mil millones de parámetros), se publica con pesos abiertos bajo la licencia Apache 2.0: puedes autoalojarlo sin depender de una API externa, incluso después de su retirada de la API el 30 de abril de 2027.

Esta es una gran ventaja para las empresas europeas que enfrentan estrictas restricciones normativas sobre el procesamiento de datos de audio: las grabaciones de reuniones, las llamadas de clientes o las consultas médicas nunca salen de tu infraestructura.

Qué aprenderás

El curso sigue una progresión directa. Empezarás comprendiendo los tres modelos de Voxtral y eligiendo el adecuado para tu caso de uso. A continuación, abordarás la transcripción sin conexión, cubriendo la API, sus parámetros, la diarización y el sesgo de contexto. Después pasarás a la transcripción en tiempo real: streaming, captura de micrófono y control de latencia. Terminarás con el despliegue en producción, incluyendo optimización, gestión de errores y control de costes. Cada lección incluye código Python completo y funcional que puedes ejecutar tal cual.

Puntos clave

  • Voxtral es la familia de modelos de audio de Mistral AI, que cubre STT y TTS
  • Dos modos de transcripción: sin conexión (archivos) y en tiempo real (streaming, latencia configurable desde 80 ms)
  • 50 idiomas para archivos, 45 para tiempo real, incluido el español
  • Funciones avanzadas: diarización, sesgo de contexto, marca de tiempo a nivel de segmento, robustez ante el ruido
  • Despliegue soberano posible con el modelo en tiempo real de segunda generación, disponible con pesos abiertos bajo Apache 2.0