Formatos de audio
En esta página
Curso actualizado el 3 de noviembre de 2026 para Voxtral TTS 3, basándose en la guía Migrate from Voxtral 2 y las páginas de Text to Speech de Mistral:
voxtral-mini-tts-2603, obsoleto desde el 31 de octubre de 2026 y eliminado el 30 de abril de 2027, se sustituye en los ejemplos porvoxtral-mini-tts-3-0. Las voces predefinidas de Voxtral 2 (gb_jane_neutral…) siguen siendo válidas; Voxtral 3 añade las etiquetas[emotion=…]y[pace=…]en el texto, el parámetroexpressiveness, la pronunciación personalizada (phoneme_hints) y 35 idiomas. Mistral recomienda volver a medir la latencia tras la migración. Fuentes: Migrate from Voxtral 2 · Speech generation.
Elección del formato de salida adecuado
El parámetro response_format acepta cinco valores. Esta elección, aparentemente trivial, tiene mucha más importancia de la que parece: determina la calidad del audio, el tamaño de los archivos que almacenas, la latencia que perciben tus usuarios y la compatibilidad con sus reproductores. Un pódcast entregado en PCM será irreproducible para la mitad de tu audiencia; un agente de voz en MP3 irá dos segundos por detrás en cada respuesta. La tabla siguiente ofrece una visión general; el resto de esta lección explica cuándo usar cada formato.
| Formato | Compresión | Calidad | Latencia de streaming | Caso de uso principal |
|---|---|---|---|---|
| MP3 | Con pérdida | Buena | ~2 segundos | Uso general, archivos |
| WAV | Ninguna (PCM) | Máxima | Media | Postproducción, audiolibros |
| PCM | Ninguna (crudo) | Máxima | ~0,7 segundos | Streaming en tiempo real |
| FLAC | Sin pérdida | Máxima | Media | Archivado, calidad profesional |
| Opus | Con pérdida | Muy buena | Baja | Streaming, VoIP, ancho de banda limitado |
Las latencias de esta tabla son órdenes de magnitud aproximados medidos con Voxtral 2; vuélvelos a medir con Voxtral TTS 3, que genera audio mono a 24 kHz en todos los casos.
MP3: el estándar universal
MP3 sigue siendo el formato más extendido: todos los navegadores, teléfonos y reproductores lo leen de forma nativa y admite los metadatos ID3 que exigen las plataformas de pódcasts. Su compresión es con pérdida, por lo que la calidad es ligeramente inferior a la de WAV, pero la diferencia rara vez es audible en voz hablada. Su verdadero inconveniente reside en otro aspecto: en streaming, el códec debe acumular datos antes de producir su primer fotograma, lo que retrasa el primer sonido unos dos segundos. Elige este formato para archivos descargables, pódcasts o integraciones web estándar; nunca para uso conversacional.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Un archivo MP3 para uso estándar.",
voice_id=voice_id,
response_format="mp3",
)
WAV: calidad máxima
WAV contiene audio PCM sin comprimir, ofreciendo la mejor calidad posible sin pérdida alguna. Como no hay nada que decodificar y los editores de audio reconocen universalmente el formato, es el punto de partida natural para cualquier cadena de postproducción: editas, ecualizas y comprimes, y luego exportas al formato de distribución deseado. La contrapartida es el tamaño del archivo —unas diez veces mayor que un MP3— y los requisitos de ancho de banda correspondientes.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Un archivo WAV para la mejor calidad.",
voice_id=voice_id,
response_format="wav",
)
Resérvalo para audiolibros de calidad de estudio, archivado y cualquier contenido que planees editar más adelante.
PCM: el formato en tiempo real
PCM (Modulación por Impulsos Codificados) es audio Float32 Little-Endian crudo, sin cabecera ni encapsulado. Esta simplicidad es a la vez su fortaleza y su debilidad. Su fortaleza: nada que codificar o decodificar, el primer sonido llega en unos 0,7 segundos y los bytes recibidos se escriben directamente en la tarjeta de sonido. Su debilidad: al carecer de cabecera, debes conocer y transmitir tú mismo la frecuencia de muestreo y el formato; por eso el ejemplo con pyaudio de la Lección 10 declaraba explícitamente paFloat32, un canal y 24.000 Hz. Los archivos son también muy grandes y ningún reproductor de consumo los abre directamente.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="PCM crudo para streaming.",
voice_id=voice_id,
response_format="pcm",
)
Este es el formato para asistentes de voz en tiempo real, agentes conversacionales y aplicaciones WebRTC.
FLAC: compresión sin pérdida
FLAC reduce el tamaño del archivo entre un 50 % y un 60 % sin tocar ni una sola muestra: la calidad es rigurosamente idéntica a la de WAV y conservas los metadatos. En la práctica, este es tu formato de archivado: guarda tus masters en FLAC y podrás regenerar un MP3 u Opus años después sin sufrir la doble compresión que degrada el audio. Requiere un decodificador, por lo que es menos universal que MP3.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="FLAC para archivado sin pérdida.",
voice_id=voice_id,
response_format="flac",
)
Opus: el compromiso moderno
Opus es un códec diseñado para comunicación en tiempo real, que ofrece excelente calidad a tasas de bits muy bajas. En una aplicación móvil funcionando sobre 4G degradada, proporciona una voz clara donde WAV saturaría la conexión, con una latencia de streaming baja: superior a la de PCM, pero muy inferior a la de MP3. Sin embargo, la compatibilidad es desigual: no todos los reproductores lo admiten de forma nativa y algunos requieren un contenedor OGG.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Opus para streaming eficiente.",
voice_id=voice_id,
response_format="opus",
)
Esta es la elección para VoIP, streaming con ancho de banda limitado y aplicaciones móviles.
Decidir en un minuto
Ante un nuevo proyecto, decide en este orden. Si vas a hacer streaming en tiempo real, elige PCM para mínima latencia, u Opus si el ancho de banda importa tanto como la capacidad de respuesta. En caso contrario, pregúntate dónde se reproducirá el archivo: en un navegador, MP3 garantiza la máxima compatibilidad. Si necesita edición posterior, WAV te ofrece el material más fácil de manipular. Si debe archivarse sin perder ni un decibelio, FLAC comprime sin sacrificar nada. Y si la restricción dominante es una red lenta, Opus ofrece la mejor relación calidad-tamaño.
Puntos clave
- MP3 es la opción predeterminada para compatibilidad universal
- PCM ofrece la latencia más baja para streaming en tiempo real (~0,7 s)
- WAV proporciona la mejor calidad sin compresión, ideal para postproducción
- FLAC comprime sin pérdida: misma calidad que WAV, archivos más pequeños
- Opus es el mejor compromiso calidad-tamaño para aplicaciones en red