Mistral anunció Voxtral 3 el 20 de octubre de 2026, incorporando una pila de voz para agentes de voz en tiempo real que funciona mediante su API y también admite opciones de despliegue propio, como configuraciones locales y de nube privada.
Según la publicación de lanzamiento de Mistral, la versión incluye transcripción multilingüe, texto a voz, detección de turnos, razonamiento y llamadas a herramientas en una canalización de streaming basada en LiveKit, además de un SDK para agentes de voz que conecta esos componentes.
Mistral afirma que la pila admite transcripción en más de 50 idiomas, mientras que la salida de voz abarca más de 35 idiomas y 50 dialectos. También ofrece clonación de voz a partir de unos 30 minutos de audio de origen. Los precios publicados parten de $0.0035 por minuto de transcripción y $13 por millón de caracteres de texto a voz.
Para los desarrolladores, esto supone poder probar un único proveedor para escucha, generación de respuestas y salida de voz, en lugar de integrar servicios independientes de transcripción y texto a voz. Como matiz, los propios materiales de Mistral no coinciden plenamente sobre la cobertura de transcripción en tiempo real, por lo que los equipos que se dirijan a configuraciones regionales concretas deberían confirmar la compatibilidad lingüística antes de migrar.