Mistral Voxtral vs GPT-4o | Benchmark de IA de Voz

Dos modelos

En julio de 2025, Mistral liberó dos checkpoints bajo licencia Apache 2.0:

Pesos abiertos y licencia

Ambos checkpoints de 2025 tienen pesos abiertos bajo licencia Apache 2.0. Puedes descargarlos y correrlos por tu cuenta:

• ✓ Pesos completos del modelo disponibles
• ✓ Hospédalos tú mismo o adáptalos dentro de lo que permite la licencia Apache 2.0
• ✓ No pagas la API de Mistral si los hospedas tú; el cómputo sigue corriendo por tu cuenta
• ✓ Procesa el audio en tus propios servidores

Fuentes: el anuncio de Voxtral de Mistral, la tarjeta oficial del modelo Voxtral Small y la tarjeta oficial del modelo Voxtral Mini.

Benchmarks

El lanzamiento de Mistral compara la tasa de error de palabra (WER) macro-promedio en conjuntos de inglés de formato corto y largo, Mozilla Common Voice, FLEURS y Multilingual LibriSpeech. En los resultados de FLEURS que reporta Mistral, Voxtral Small le gana a Whisper en cada tarea evaluada. Un WER más bajo es mejor:

WER en FLEURS de los benchmarks de lanzamiento de Mistral graficado contra el precio estimado de la API; tanto los resultados como los precios pueden cambiar

FLEURS es apenas una rebanada de la calidad de transcripción. Son resultados reportados por el propio proveedor, así que revisa las definiciones publicadas de cada benchmark y prueba con tus propios idiomas, micrófonos y condiciones de grabación antes de decidirte por un modelo.

Voxtral vs Whisper: ¿cuál te conviene?

Los benchmarks solo cuentan una parte de la historia. Así se comparan las dos familias de modelos en los factores que de verdad importan si quieres correr uno por tu cuenta:

El veredicto: Voxtral Small reporta buenos resultados de WER y suma comprensión de audio, algo que Whisper ni intenta. Voxtral Mini es el checkpoint que Mistral posiciona para despliegue local y en el edge, pero su tarjeta oficial de modelo sigue listando alrededor de 9.5 GB de RAM de GPU en bf16/fp16. Para una app de transcripción de consumo, Whisper Large-v3 Turbo sigue siendo más fácil de distribuir y cubre muchos más idiomas. Por eso Whisper Notes hoy combina Whisper Turbo con Parakeet V3 y SenseVoice en lugar de Voxtral.

Costo de la API y de hospedarlo tú mismo

Con datos verificados el 10 de julio de 2026, la tarjeta del modelo de Mistral lista la entrada de audio de Voxtral Small en $0.004 por minuto. La entrada de texto y el texto generado se cobran por separado en las solicitudes de comprensión de audio. Si hospedas tú mismo los pesos Apache 2.0, no hay cargo por la API de Mistral, pero el hardware y la operación corren por tu cuenta.

Cómo funciona

La tarjeta oficial del modelo describe Voxtral como un modelo de lenguaje con un codificador de audio y un modo dedicado de transcripción. Los límites de producto que importan son concretos:

1. Arquitectura multimodal

Voxtral acepta audio y texto en la misma conversación, en lugar de comportarse solo como un decodificador de voz a texto:

• •Modo dedicado para transcripción directa
• •Preguntas sobre audio y resúmenes estructurados
• •Varias entradas de audio y conversaciones de audio de múltiples turnos

2. Idiomas y evaluación

Mistral lista ocho idiomas principales con detección automática:

• •Inglés, español, francés, portugués, hindi, alemán, neerlandés e italiano
• •Los benchmarks incluyen FLEURS, Mozilla Common Voice y Multilingual LibriSpeech
• •El lanzamiento también evalúa por separado el audio en inglés de formato corto y largo

3. Requisitos de despliegue

Que los pesos sean abiertos no significa que cada checkpoint quepa en cualquier dispositivo:

• •Voxtral Small requiere alrededor de 55 GB de RAM de GPU en bf16/fp16 según su tarjeta de modelo
• •Voxtral Mini es el checkpoint de 3B pensado para despliegue local y en el edge
• •Mistral recomienda vLLM para servir los checkpoints liberados

4. Funciones clave

5. Arquitectura

Tres componentes principales:

Ese diseño explica por qué Voxtral puede hacer más que transcribir, pero también implica cargar pesos de modelo de lenguaje mucho más grandes que los de un modelo dedicado solo a transcripción como Whisper Turbo.

Por qué Whisper Notes sigue teniendo sentido

Voxtral y Whisper Notes resuelven problemas diferentes. Voxtral combina transcripción con comprensión de audio; Whisper Notes se enfoca en transcripción privada, fácil de correr en hardware Apple de consumo.

Whisper Notes usa Whisper Large-v3 Turbo: balancea rendimiento, velocidad y requisitos de VRAM para el uso diario. Vamos a migrar a mejores modelos cuando estén disponibles con requisitos de recursos razonables.

Voxtral es atractivo cuando lo que importa son las preguntas sobre audio, los resúmenes o el despliegue en tus propios servidores. Whisper Notes está pensado para usuarios individuales que quieren transcripción privada y cero suscripciones recurrentes.

Qué significa esto

Voxtral es un paso importante en pesos abiertos más allá del simple reconocimiento de voz, porque puede razonar sobre el audio además de transcribirlo.

Para transcripción privada offline en Mac y iPhone, los motores especializados más chicos siguen siendo más fáciles de empaquetar y de correr de manera consistente.

¿Estás comparando todas las opciones locales? Cada modelo de voz a texto en el dispositivo — las variantes de Whisper, Parakeet V3, SenseVoice y Voxtral — está comparado lado a lado en nuestra página de comparación de modelos Whisper.

Preguntas frecuentes

Descargar para iOS Descargar para macOS