Voxtral, el reconocimiento de voz de Mistral AI: qué ofrece para el dictado profesional

Mistral AI, la empresa francesa fundada en París en 2023, se dio a conocer con sus modelos de lenguaje. Desde julio de 2025 desarrolla también Voxtral, una familia de modelos de reconocimiento de voz. TechVoice utiliza Voxtral para todas sus transcripciones, tanto en directo como al importar. Esto es lo que conviene saber sobre Voxtral y lo que hemos aprendido al medirlo con dictados profesionales en francés.

Voxtral en resumen

• Desarrollador: Mistral AI, París.
• Usos: transcripción de archivos de audio (batch) y transcripción en tiempo real (streaming).
• Acceso: a través de la API de Mistral, alojada en Europa; las primeras generaciones también están disponibles con pesos abiertos.
• Precio: por minuto de audio, del orden de unas décimas de céntimo de dólar.

Tres generaciones en año y medio

Con el lanzamiento de Voxtral 3, Mistral anunciaba 0,0035 $ por minuto para Mini Transcribe 3, 0,004 $ para Small Transcribe 3 y 0,008 $ para la transcripción en tiempo real. Así, transcribir una hora de grabación con el modelo Small cuesta unos 24 céntimos de dólar.

Los trece idiomas de Voxtral Transcribe 2 eran el inglés, el chino, el hindi, el español, el árabe, el francés, el portugués, el ruso, el alemán, el japonés, el coreano, el italiano y el neerlandés. Voxtral 3 amplía la cobertura a más de cincuenta idiomas en la transcripción de archivos, entre ellos las veinticuatro lenguas oficiales de la Unión Europea, y a algunos menos en tiempo real.

Archivo o tiempo real: dos formas de escuchar

La transcripción de archivos recibe la grabación completa. El modelo dispone de todo el contexto antes de escribir, lo que lo hace más preciso. Es el modo adecuado para una nota de voz o una reunión grabada.

La transcripción en tiempo real recibe el audio en pequeños fragmentos, a medida que se habla, y devuelve el texto sobre la marcha. Un ajuste, el retardo objetivo, busca el equilibrio entre rapidez de respuesta y precisión: cuanto más espera el modelo antes de escribir, mejor entiende. En nuestras mediciones, pasar de 1.000 a 500 milisegundos costaba 7 puntos porcentuales de error en los términos técnicos, sin adelantar el final de la transcripción. Nos quedamos en 1.000 ms.

TechVoice utiliza Voxtral Mini Transcribe Realtime 3 para el dictado en directo y Voxtral Small Transcribe 3 para los archivos importados, e impone en ambos casos el idioma de la aplicación: francés o inglés.

Lo que hemos medido

Nuestro banco de pruebas reproduce informes de ortopedia en francés dictados por una voz sintética y cuenta, además de la tasa de error global, los términos técnicos omitidos: esa es la métrica decisiva, porque un informe en el que «disnea» se convierte en «diseña» es inservible, aunque todo lo demás sea perfecto.

Estas cifras son optimistas: una voz sintética articula a la perfección y no conoce ni el ruido de una consulta ni las vacilaciones. Sirven para comparar opciones entre sí, no para predecir la tasa de error de su propia voz. El salto de calidad entre generaciones, en cambio, es claro y constante de una medición a otra.

Un detalle técnico ilustra el tipo de sorpresa que solo se descubre midiendo. Abrir una sesión en tiempo real lleva alrededor de un segundo en Mistral, y el modelo no recupera el audio acumulado mientras tanto: la primera palabra llegaba hacia los 3,5 segundos. Al mantener una sesión abierta de antemano, lista para el siguiente dictado, TechVoice la muestra hacia los 2,5 segundos, sin cambiar en nada la calidad.

Los límites que conviene conocer

1. El context biasing es limitado. Voxtral acepta una lista de 100 términos que favorecer, sin espacios dentro de un término: «insuficiencia cardiaca» debe escribirse con un guion bajo, que el modelo a veces reproduce en su salida. Mistral califica este mecanismo de experimental en idiomas distintos del inglés; en nuestros dictados en francés, no aportaba nada tras la corrección y empeoraba el dictado en directo. No lo utilizamos.
2. Una hora por archivo. La documentación indica 60 minutos como máximo. En la práctica, el audio y el texto generado comparten una ventana de 65.536 tokens: un archivo de 104 minutos fue rechazado. TechVoice limita las importaciones a 60 minutos.
3. El tiempo real puede cortarse. El proveedor puede cerrar una sesión en cualquier momento («service restart»): una de nuestras pruebas se cortó a los 7 min 33 s y otra aguantó 17 min 45 s sin interrupción. Una aplicación seria debe conservar el texto ya recibido y volver a conectarse sin perder el dictado.
4. Voxtral 3 está en versión preliminar pública. Su comportamiento y su disponibilidad aún pueden cambiar: hay que poder volver a la generación anterior sin reescribirlo todo.

Por qué elegimos Voxtral

• La calidad en francés especializado, una vez aplicada la corrección, a la altura de lo que buscábamos para los informes.
• Un proveedor europeo. Mistral AI es una empresa francesa y su API está alojada en Europa. Para profesionales que dictan contenidos sensibles, es un criterio de fondo, no un detalle.
• El precio, unas décimas de céntimo por minuto, que permite ofrecer una suscripción asequible.
• Los pesos abiertos de las generaciones anteriores, que dejan abierta la puerta a un funcionamiento local, en sus propios servidores.
• Un único ecosistema: la corrección se hace con un modelo de lenguaje de Mistral, Mistral Small, el más rápido de los que hemos medido, con unos 200 tokens por segundo.

¿Y frente a Whisper u otros modelos?

En su lanzamiento, en 2025, Mistral anunció que Voxtral superaba a Whisper large-v3, el modelo abierto de OpenAI; es una medición del propio fabricante. En el plano independiente, Artificial Analysis situaba Voxtral Small Transcribe 3, recién lanzado, en el tercer puesto de su clasificación de transcripción. No hemos repetido estas comparaciones: nuestro banco de pruebas mide lo que importa a nuestros usuarios, los términos técnicos en francés.

Por otra parte, el mejor modelo del mundo no basta para lograr un buen dictado profesional. Lo que marca la diferencia en el día a día es lo que lo rodea: el vocabulario, la corrección acotada y la memoria de sus correcciones, que detallamos en nuestro artículo sobre cómo funciona el dictado por voz con IA. Y para calcular lo que el dictado puede ahorrarle, consulte el cálculo del tiempo ahorrado.

Fuentes

• Mistral AI, «Voxtral», julio de 2025.
• Mistral AI, «Voxtral Transcribe 2», febrero de 2026.
• Mistral AI, «Voxtral 3», octubre de 2026.
• Artificial Analysis, clasificación Speech to Text.
• Mediciones internas de TechVoice, corpus sintético de informes de ortopedia en francés, noviembre de 2026.