Mistral Voxtral 3 explicado: Pila de agentes de voz vs ElevenLabs en tiempo real

Mistral Voxtral 3 explicado: Pila completa de agentes de voz vs ElevenLabs en tiempo real

Voice AI tuvo un martes muy ocupado. El 20 de octubre de 2026, Mistral lanzó Voxtral 3, una pila completa de agentes de voz con tres niveles de transcripción, un modelo de texto a voz y un SDK de agente de voz en tiempo real. Esa misma tarde, ElevenLabs lanzó Eleven Realtime, dos modelos de voz a voz diseñados para conversaciones en vivo con IA.

Dos laboratorios, dos arquitecturas muy diferentes, un objetivo: IA que pueda mantener una llamada real. Esto es lo que hace cada uno, cuánto cuesta cada uno y cómo elegir entre ellos.

Veredicto rápido

En resumen: elige Voxtral 3 cuando la residencia de datos, la cobertura multilingüe o el coste por minuto determinen la decisión. Elige Once en tiempo real cuando la voz en sí tiene que sonar perfecta. Sigue leyendo para conocer los datos completos.

Qué incluye realmente Mistral Voxtral 3

Voxtral 3 no es un solo modelo. Es una familia de modelos de voz más un SDK de agente de voz que los une. Cada componente está disponible hoy en día a través de la API de Mistral, alojado en la UE o desplegado en tu propia infraestructura.

Voxtral Mini Transcribe 3: 0,0035 $ por minuto

El nivel de transcripción presupuestaria. Un modelo de voz a texto de 4.000 millones de parámetros construido para cargas de trabajo por lotes, con un precio de 0,0035 $ por minuto de audio. Ambos modelos por lotes aceptan términos clave y texto contextual adicional, por lo que el vocabulario del dominio se reconoce sin ajustes finos.

Transcripción Voxtral Pequeña 3: 0,004 $ por minuto

El modelo insignia de transcripción: 50+ idiomas incluyendo los 24 idiomas oficiales de la UE, además de lenguas asiáticas e índicas con menos recursos. Añade diarización del hablante, detección al final del turno (sabe cuándo el llamante dejó de hablar) y sesgo de contexto para términos especializados. Mistral dice que supera a Whisper, Scribe v2 y Gemini 3.5 Transcribe en sus propias pruebas multilingües. Más sobre esos números a continuación.

Voxtral Mini Transcribe Tiempo Real 3: 0,008 $ por minuto

El nivel centrado en agentes: 35+ idiomas con latencia de transcripción inferior a 500 milisegundos, incluyendo identificación del hablante y uso de vocabulario. Este es el modelo que alimenta el SDK del agente de voz.

Voz Voxtral 3: 13 dólares por cada millón de caracteres

El modelo de texto a voz cubre 35+ idiomas y 50+ dialectos, con emoción, ritmo y énfasis controlables como variables de instrucción. Los presets de voz se incluyen en 18 idiomas, desde árabe e hindi hasta vietnamita. La clonación de voz requiere 30 o más minutos de audio, y una opción Pro Voice adapta el carácter y el rango emocional del hablante entre idiomas a partir de unos 30 minutos de grabaciones. Mismo precio de 13 dólares para uso por lotes y en tiempo real a través de una sola API. Mistral lo posiciona como más barato que OpenAI TTS-1, Deepgram, ElevenLabs Flash y Gemini Flash.

El SDK del agente de voz: LiveKit, menos de un segundo por turno

La pieza principal es el SDK, construido sobre LiveKit. Voxtral Mini Transcribe Realtime 3 escucha, un modelo general como Mistral Small razones y herramientas de llamadas, y Voxtral Speech 3 responde con el tono de la conversación. No hay escenario esperando al anterior, así que Mistral dice que cada turno termina en menos de un segundo y el agente deja de hablar cuando el llamante interviene.

Durante una llamada, el agente puede verificar la identidad del llamante, comprobar una factura o reservar una cita, utilizando llamadas funcionales, búsqueda web y recuperación a través de tus propios sistemas. Responde y realiza llamadas por SIP, se ejecuta en navegadores y aplicaciones por WebRTC, y se conecta a telefonía, IVR y software de centro de contacto. Cada etapa es un modelo separado, por lo que puedes intercambiar el LLM, la voz o el idioma sin reescribir al agente.

El despliegue es la propuesta de soberanía: ejecuta la pila en la API europea de Mistral o en tu propia infraestructura, con control sobre dónde se procesan las conversaciones y si se conserva el audio. Ten en cuenta que el anuncio no vincula los pesos abiertos descargables; el autoalojamiento se ofrece a través del propio canal de despliegue de Mistral.

Lo que ElevenLabs lanzó: Eleven Realtime v1 Max y v1 Mini

ElevenLabs pasó a ser de extremo a extremo en lugar de modular. Dos modelos de voz a voz, lanzados el mismo día:

• Eleven Realtime v1 Max: la jugada de precisión. ElevenLabs informa del 98,8% en el benchmark Big Bench Audio con unos 0,57 segundos de tiempo de respuesta, y afirma que ningún modelo en la clasificación de voz de Análisis Artificial es ahora mismo más rápido y más preciso. Está dirigido a tareas exigentes como bots de atención al cliente.
• Eleven Realtime v1 Mini: el juego de coste para conversaciones naturales y cotidianas. Puede saber cuándo un altavoz ha terminado frente a simplemente decir "mm-hmm", lo cual importa mucho para el turno natural.

Ambos se ejecutan a través de la plataforma ElevenAgents y una API Realtime compatible con OpenAI, por lo que el código existente de OpenAI para agentes de voz puede apuntar a los puntos finales de ElevenLabs. El precio es por minuto de audio más uso de tokens, con un precio máximo superior a Mini; ElevenLabs no ha publicado una cifra fija por minuto como sí lo ha hecho Mistral. Aún no se han publicado benchmarks independientes más allá de las propias afirmaciones de la empresa.

Referencias: ¿quién transcribe mejor?

Mistral publicó cifras de tasa de error de palabra en el benchmark FLEURS en 45 idiomas, con lenguaje inferido. Voxtral Small Transcribe 3 obtiene un 4,0%, empatando con Microsoft AI Transcribe 2 en los propios números de Mistral, por delante de Gemini 3.5 Transcribe con 4,5%, Scribe v2 con 4,9%, GPT Transcribe con 5,6% y Whisper large-v3 con 14,9%.

Dos advertencias importantes. Primero, estos son datos reportados por los proveedores en la publicación de lanzamiento de Mistral, no verificados de forma independiente, y la publicación no publica desciframientos por idioma ni nombres de clientes. Segundo, no compares este gráfico con la cifra Big Bench Audio de ElevenLabs del 98,8%: diferentes benchmarks miden cosas distintas, y los ganadores de cross-benchmarks no se declaran aquí por esa razón.

Para Eleven Realtime, la declaración honesta es que las propias afirmaciones de ElevenLabs sobre Big Bench Audio y Análisis Artificial son los únicos números disponibles ahora mismo. Trata los números de ambos proveedores como marketing hasta que terceros los reproduzcan.

¿Sobre cuál deberías construir?

Elige Voxtral 3 si:

• Necesitas residencia de datos en la UE o una pila autoalojada que tu equipo de cumplimiento pueda auditar.
• La carga de trabajo es la transcripción: 50+ idiomas a 0,0035 a 0,004 $ por minuto es realmente barato.
• Quieres una tubería modular donde el LLM, la voz y el lenguaje puedan intercambiarse de forma independiente.
• Necesitas usar la herramienta a mitad de llamada: reservas, consultas de facturas, verificación de identidad a través de SIP y WebRTC.

Elige Once Realtime si:

• La voz en sí es el producto: naturalidad premium, voces de personajes, agentes de marca.
• Quieres hablar de principio a fin sin conectar STT y TTS tú mismo.
• Ya construyes sobre ElevenAgents o quieres una API de tiempo real compatible con OpenAI.
• Necesitas clones de voz instantáneos de 10 segundos en lugar de adaptaciones de voz de 30 minutos.

Considera ambos si: estás desarrollando agentes de voz para clientes y el precio es por proyecto. La transcripción por lotes de 0,0035 $/min y el TTS de 13 $/M de caracteres de Voxtral marcan un mínimo mínimo para trabajos de alto volumen, mientras que la clonación de 10 segundos y la naturalidad de voz a voz de ElevenLabs pueden justificar un premium donde la voz es el diferenciador. CodeMyPixel incorpora exactamente este tipo de evaluación en cada compromiso de desarrollo de agentes de IA: prueba ambas pilas con tus llamadas reales antes de comprometerte.

Preguntas frecuentes

¿Cuánto cuesta Voxtral 3?

La transcripción cuesta 0,0035 dólares por minuto para Voxtral Mini Transcribe 3 en lote, 0,0040 $ para Voxtral Small Transcribe 3 y 0,008 $ para Voxtral Mini Transcribe Realtime 3. Voxtral Speech 3 de texto a voz cuesta 13 $ por millón de caracteres, el mismo precio para uso por lotes y en tiempo real.

¿Es Voxtral 3 de código abierto?

El anuncio de lanzamiento no vincula los pesos abiertos ni una licencia descargable. Mistral ofrece los modelos a través de su API con endpoints de la UE, EE. UU. y globales, y los equipos que necesiten audio para mantenerse en su propio entorno pueden preguntar a Mistral sobre el despliegue autoalojado o en la nube privada.

¿Qué tan precisa es Voxtral Small Transcribe 3?

En la prueba FLEURS de Mistral en 45 idiomas, se registra una tasa de error de palabra del 4,0% con el lenguaje inferido, frente al 4,5% para Gemini 3.5 Transcribe, 4,9% para Scribe v2, 5,6% para GPT Transcribe y 14,9% para Whisper large-v3. Microsoft AI Transcribe 2 lo iguala con un 4,0%. Estos son los números publicados por Mistral, no verificados de forma independiente.

¿Cuál es la diferencia entre Voxtral 3 y ElevenLabs Eleven Realtime?

Voxtral 3 es una pila modular: modelos separados de voz a texto, LLM y texto a voz unidos por un SDK basado en LiveKit. Eleven Realtime es de voz a voz de extremo a extremo: un modelo recibe audio y produce audio de salida, en dos niveles (v1 Max para precisión, v1 Mini para coste).

¿Puede Voxtral Speech 3 clonar una voz?

Sí, a partir de 30 o más minutos de audio. Una opción Pro Voice adapta el carácter, el rango emocional y el estilo del hablante a través de los idiomas a partir de unos 30 minutos de grabaciones. Los presets de voz están disponibles en 18 idiomas.

¿Cuándo se lanzó Voxtral 3?

Mistral anunció Voxtral 3 el 20 de octubre de 2026, un día después de su modelo de serie temporal Timestral. ElevenLabs lanzó Eleven Realtime esa misma tarde.

¿Cuál es mejor para un agente de voz de atención al cliente?

Si las llamadas de soporte se ejecutan en muchos idiomas y los presupuestos son ajustados, la transcripción de 0,004 $/min con diarización por altavoz y su SDK LiveKit de Voxtral 3 son la opción práctica. Si los llamantes nunca deben sentir que están hablando con un robot, la cadena de voz a voz de 0,57 segundos de Eleven Realtime v1 Max está diseñada para eso. La mayoría de los equipos deberían pilotar ambas en grabaciones reales de llamadas antes de elegir.

¿Dónde puedo conseguir un agente de voz para mi negocio?

CodeMyPixel diseña y desarrolla agentes de IA personalizados que gestionan llamadas, reservas y seguimientos para negocios reales, incluidos agentes de voz en stacks como Voxtral 3. Comienza con una Revisión de Oportunidades de IA gratuita para ver qué partes de tu operación puede asumir un agente de voz.

Fuentes: Mistral AI post de lanzamiento (mistral.ai/news/voxtral-3), Technobezz, The Decoder, The Circuitry, ai-tldr, explainx.ai. Todas las cifras de referencia y precios son las que informaron los proveedores el 20 de octubre de 2026 y no fueron verificadas de forma independiente.

• mistral voxtral 3
• voice ai
• voice agents
• elevenlabs
• text to speech
• speech to text