Modelos TTS de Voxtral
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 retirado 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 compatibles; Voxtral 3 añade las etiquetas[emotion=…]y[pace=…]en el texto, el parámetroexpressiveness, la pronunciación personalizada (phoneme_hints) y soporte para 35 idiomas. Mistral recomienda volver a medir la latencia tras la migración. Fuentes: Migrate from Voxtral 2 · Speech generation.
Voxtral Mini TTS: el modelo de referencia
El modelo de síntesis de la familia Voxtral es Voxtral TTS 3, identificado en la API como voxtral-mini-tts-3-0 (alias voxtral-mini-tts-3). Este es el identificador que escribirás en cada llamada a la API: memorízalo, pues es la única cadena de este curso que debes saber de memoria. El modelo está diseñado para ofrecer un equilibrio óptimo entre calidad de voz, latencia y coste, lo que explica por sí solo cubre casi la totalidad de los casos de uso profesionales.
Voxtral Mini TTS es un modelo fundacional de voz. Esta distinción no es cosmética: los sistemas TTS antiguos fragmentaban el texto en fonemas y los concatenaban desde un banco de sonidos, lo que daba lugar a voces entrecortadas donde cada sílaba parecía independiente de la anterior. Voxtral, en cambio, genera el habla comprendiendo el contexto semántico del texto. En una frase como «He didn’t say that», el modelo sabe dónde poner el énfasis porque ha interpretado la estructura de la oración, produciendo una prosodia natural con una entonación coherente de principio a fin.
Especificaciones técnicas
El modelo voxtral-mini-tts-3-0 presenta las siguientes especificaciones:
| Característica | Valor |
|---|---|
| Latencia del modelo | Aproximadamente 90 milisegundos antes del primer sonido |
| Idiomas | 35 idiomas y más de 50 dialectos; voces predefinidas en 22 idiomas |
| Clonación de voz | Zero-shot, a partir de una grabación MP3 o WAV de unos segundos a varios minutos |
| Control | 34 etiquetas de emoción, etiquetas de ritmo, expressiveness, pronunciación personalizada |
| Formatos de salida | MP3 (predeterminado), WAV, PCM, FLAC, Opus — mono, 24 kHz |
| Streaming | Compatible en tiempo real |
| Precio a 3 de noviembre de 2026 | 13 $ por millón de caracteres |
Esos 90 milisegundos merecen una segunda reflexión: este es el retraso antes de que esté disponible el primer fragmento de audio, no la duración total de la generación. En un asistente conversacional, esta cifra concreta determina si el intercambio se siente natural o laborioso.
Voces profesionales preintegradas
Además de la clonación de voz, Mistral AI ofrece una biblioteca de voces profesionales listas para su uso inmediato. Estas voces se grabaron en estudio y se optimizaron para diversos casos de uso. Resultan de gran utilidad al inicio de un proyecto: si quieres verificar que tu canal funciona antes siquiera de organizar una sesión de grabación con el actor de voz elegido, una voz preintegrada te permite probarlo todo el mismo día.
En Mistral Studio, la interfaz web, puedes explorar estas voces y filtrarlas por tres criterios: género (masculino o femenino), el idioma principal de la voz y la emoción, es decir, el tono emocional (neutral, entusiasta, calmado, etc.). Cada una es accesible mediante su voice_id en la API, exactamente igual que una voz que hayas clonado tú mismo: tu código no cambia ni una línea cuando pasas de la voz de demostración a la voz final.
Pesos abiertos: opciones de autoalojamiento
La generación anterior, Voxtral TTS (voxtral-mini-tts-2603), se publicó con sus pesos —un modelo de 4.000 millones de parámetros en Hugging Face— bajo la licencia CC BY-NC 4.0. No se trata de una licencia de código abierto en el sentido habitual: prohíbe el uso comercial. Permite experimentar y crear prototipos en tu propia infraestructura sin que ninguna muestra de voz salga de tu red, pero un producto comercial debe usar la API o llegar a un acuerdo con Mistral AI. A día de hoy, la documentación de Voxtral TTS 3 no menciona ningún peso abierto.
Para las organizaciones sujetas a restricciones de confidencialidad —como un proveedor de servicios sanitarios o una agencia gubernamental—, la pregunta se plantea, por tanto, en dos partes: ¿es comercial el uso? y ¿cubre el modelo abierto los idiomas y la calidad requeridos? Si no es así, debes examinar los compromisos contractuales de la API (alojamiento, retención de datos).
Uso a través de la API de Mistral
Para usar Voxtral Mini TTS mediante la API, primero debes inicializar el cliente con tu clave de API:
from mistralai.client import Mistral
client = Mistral(api_key="your-api-key")
El modelo se referencia entonces por su identificador voxtral-mini-tts-3-0 en cada llamada de generación. En las próximas lecciones verás cómo crear voces y generar habla; este objeto client será el punto de partida de todos los ejemplos siguientes.
Si prefieres un enfoque sin código, Mistral Studio ofrece una interfaz gráfica accesible en studio.mistral.ai. Allí puedes escuchar las voces profesionales disponibles, grabar tu propia voz directamente desde el navegador, probar la generación de voz con diferentes textos y ajustar parámetros como el idioma, la emoción o el formato. Es la herramienta de prototipado ideal: valida en diez minutos que una voz se adapta al proyecto y pasa al código una vez tomada la decisión.
Evolución de la hoja de ruta
Mistral AI ha anunciado que otros modelos se unirán a la familia Voxtral: modelos más ligeros para aplicaciones integradas y móviles, modelos más potentes para la generación de voces expresivas y mejoras continuas en la calidad multilingüe. Por tanto, diseña tus integraciones aislando el nombre del modelo en una variable de configuración en lugar de dispersarlo por todo tu código: el día que llegue un sucesor, la migración te llevará solo una línea. Hasta entonces, voxtral-mini-tts-3-0 sigue siendo la referencia y cubre la inmensa mayoría de los casos de uso profesionales.
Puntos clave
- El modelo principal es
voxtral-mini-tts-3-0, optimizado para calidad y latencia - Hay voces profesionales preintegradas disponibles para empezar sin necesidad de una muestra de audio
- El modelo anterior tiene pesos abiertos y puede autoalojarse (uso no comercial)
- Mistral Studio ofrece una interfaz gráfica para pruebas sin código
- La API de Mistral y el SDK de Python son los puntos de entrada para la integración