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

Dos modelos

Mistral publicó dos checkpoints con licencia Apache 2.0 en julio de 2025:

Pesos abiertos y licencia

Los dos checkpoints de 2025 son de pesos abiertos bajo la licencia Apache 2.0. Puedes descargarlos y ejecutarlos tú mismo:

• ✓ Pesos completos del modelo disponibles
• ✓ Puedes autoalojarlos o adaptarlos dentro de los términos de la licencia Apache 2.0
• ✓ Sin cuota de la API de Mistral si los autoalojas; sigues pagando tu propio cómputo
• ✓ Procesa el audio en tus propios servidores

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

Benchmarks

El lanzamiento de Mistral compara la tasa de error de palabra (WER) macro-media 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 supera a Whisper en todas las tareas evaluadas. Un WER más bajo es mejor:

WER en FLEURS de los benchmarks de lanzamiento de Mistral frente al precio estimado de la API; tanto los resultados como los precios pueden cambiar

FLEURS es solo una parte de la calidad de transcripción. Son resultados reportados por el propio proveedor, así que compara las definiciones publicadas de los benchmarks y prueba tus propios idiomas, micrófonos y condiciones de grabación antes de elegir un modelo.

Voxtral vs Whisper: ¿cuál deberías usar?

Los benchmarks solo cuentan una parte de la historia. Así se comparan las dos familias de modelos en los factores que importan si de verdad quieres ejecutar uno tú mismo:

El veredicto: Voxtral Small reporta resultados de WER sólidos y añade comprensión de audio, algo que Whisper ni siquiera intenta. Voxtral Mini es el checkpoint que Mistral posiciona para despliegue local y en el edge, pero su ficha oficial sigue indicando unos 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 combina actualmente Whisper Turbo con Parakeet V3 y SenseVoice en lugar de Voxtral.

Coste de la API y del autoalojamiento

Según lo verificado el 10 de julio de 2026, la ficha del modelo de Mistral indica para la entrada de audio de Voxtral Small un precio de $0.004 por minuto. La entrada de texto y el texto generado se facturan por separado en las peticiones de comprensión de audio. Si autoalojas los pesos Apache 2.0, no hay ningún cargo de la API de Mistral, pero pagas el hardware y la operación.

Cómo funciona

La ficha 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 importantes son concretos:

1. Arquitectura multimodal

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

• •Modo dedicado para transcripción directa
• •Preguntas y respuestas sobre audio y resúmenes estructurados
• •Múltiples entradas de audio y conversaciones de audio de varios turnos

2. Idiomas y evaluación

Mistral enumera 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 de formato largo

3. Requisitos de despliegue

Que los pesos sean abiertos no significa que cada checkpoint sea lo bastante pequeño para cualquier dispositivo:

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

4. Características clave

5. Arquitectura

Tres componentes principales:

Ese diseño explica por qué Voxtral puede hacer más cosas que transcribir, pero también carga con unos pesos de modelo de lenguaje mucho mayores que los de un modelo solo de transcripción como Whisper Turbo.

Por qué Whisper Notes sigue teniendo sentido

Voxtral y Whisper Notes resuelven problemas distintos. Voxtral combina transcripción con comprensión de audio; Whisper Notes se centra en una transcripción privada y fácil de ejecutar en hardware Apple de consumo.

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

Voxtral resulta atractivo cuando importan las preguntas y respuestas sobre audio, los resúmenes o el despliegue autoalojado en servidores. Whisper Notes está dirigido a usuarios individuales que quieren transcripción privada y sin suscripciones recurrentes.

Qué significa esto

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

Para la transcripción privada offline en Mac y iPhone, los motores especializados más pequeños siguen siendo más fáciles de empaquetar y de ejecutar de forma consistente.

¿Estás comparando todas las opciones locales? Todos los modelos de voz a texto en el dispositivo — las variantes de Whisper, Parakeet V3, SenseVoice y Voxtral — están comparados lado a lado en nuestra página de comparación de modelos Whisper.

Preguntas frecuentes

Descargar para iOS Descargar para macOS