Voxtral 3 agente de voz: contesta el teléfono de tu negocio y la cuenta en pesos

Voxtral 3 agente de voz es el paquete que Mistral lanzó el 20 de octubre de 2026 para que una IA escuche, razone y hable por teléfono. Según la cuenta del video, una llamada de tres minutos contestada así cuesta menos de tres pesos. No es solo un modelo de transcripción: incluye un kit para armar un agente que contesta las llamadas de un negocio. Aquí está qué trae, cuánto cuesta en pesos, tres usos concretos y qué se rompe en la práctica.

Qué es Voxtral 3 y qué cambió

Casi todos lo van a contar como un modelo de transcripción más, pero es un paquete completo de voz. Incluye un modelo que escucha más de cincuenta idiomas, otro que habla con la emoción de la conversación y un kit para armar un agente que contesta el teléfono. Antes juntabas esas piezas tú, con proveedores distintos y facturas distintas. Ahora Mistral las vende juntas, con precio por minuto, y ya están disponibles en su API.

Cómo funciona por dentro

Son tres piezas en fila:

1. Un modelo escucha a quien llama y detecta cuándo terminó de hablar, en menos de quinientos milisegundos, según Mistral.
2. Un modelo de lenguaje, como Mistral Small 4, entiende qué quiere la persona y puede usar herramientas, por ejemplo tu agenda.
3. La voz contesta con el tono de la plática y, si el cliente la interrumpe, se calla.

Todo se arma sobre LiveKit y se conecta al teléfono por un protocolo llamado SIP. Dicho de otra forma: no es un botón que aprietas, es un kit para alguien que programa.

Una llamada completa, paso a paso (simulación)

Imagina una clínica. Abres el playground de voz de Mistral Studio, donde puedes probar un agente antes de conectar nada. Le escribes quién es: la recepción de la clínica, que agenda citas y nunca da diagnósticos. Le pasas horarios y nombres de doctores como vocabulario clave y le conectas la herramienta que lee tu agenda.

Llama una paciente y pide cita con la doctora Reyes el jueves. El agente entiende, consulta la agenda y ofrece dos horarios. Si ella lo interrumpe, se calla y escucha. Luego confirma repitiendo fecha y hora, y escribe la cita. Aquí se atora la primera vez: con nombres propios y teléfonos dictados rápido. Se agregan al vocabulario y se prueba otra vez. Sabes que quedó bien cuando veinte llamadas de prueba salen sin corregir una sola cita.

La cuenta en pesos contra una recepcionista

Según el INEGI, el 95.4 % de las unidades económicas del país son microempresas, de hasta diez personas. Una cifra oficial de cuántas llamadas pierden no existe, y la que circula viene de empresas que venden software, así que el video no la usa.

La cuenta con la clínica: veinte llamadas al día, tres minutos cada una, veintiséis días. Son 1,560 minutos al mes. El agente cuesta cuatro centavos de dólar por minuto; con el dólar a 18.42 (FIX de Banxico del 20 de octubre de 2026), unos 0.74 pesos por minuto. La línea suma 0.21 más. El total es de 1,611 pesos al mes, contra 9,582 de una recepcionista con salario mínimo: el agente sale en el 17 %. El punto de equilibrio está en 128 llamadas al día.

Foto: Carlos Ebert, Wikimedia Commons, CC BY 2.0.

Los precios de Mistral y LiveKit son en dólares sin impuestos; el de Twilio está en pesos con impuestos. Los casos son supuestos de ejemplo, no resultados medidos.

Tres negocios que pueden usarlo

Pedidos de un restaurante. En hora pico nadie contesta porque todos están sirviendo. El agente toma el pedido, repite lo que entendió y lo manda a la cocina. Con cuarenta pedidos al día de dos minutos y medio, son 3,000 minutos al mes y 2,976 pesos: 2.37 pesos por pedido. Lo difícil no es la voz sino el menú: sin platillos, precios y excepciones, inventa.

Llamadas que por fin se leen. Un despacho o una inmobiliaria que graba llamadas y nunca las escucha. Con cinco asesores, tres horas diarias al teléfono y veintidós días, son 19,800 minutos. Con transcripción por lotes, a menos de medio centavo de dólar el minuto, salen 69 dólares, unos 1,276 pesos. Sale quién dijo qué y puedes buscar cuánta gente preguntó por el precio en todo el mes.

Tu propia voz, con permiso. Mistral clona una voz con treinta minutos de audio, con permiso de quien habla. El modelo de voz cobra 13 dólares por millón de caracteres: un audio de diez minutos, unos nueve mil caracteres, cuesta unos doce centavos de dólar, alrededor de dos pesos. Ojo: las voces de fábrica en español son de España, no de México; para sonar mexicano necesitas tu propia grabación.

A quién no le sirve

• Si te llaman cinco veces al día, lo que ahorras no paga las horas de armarlo.
• Si cada llamada es una urgencia, como emergencias o seguridad, no dejes que una máquina sea la primera voz.
• Si nadie en tu equipo programa y no quieres pagar a quien lo haga: esto todavía es un kit, no un botón.

Voxtral o una plataforma ya armada

Hay servicios de agentes de voz que cobran por minuto y traen agenda y línea listas. Cobran su plataforma y aparte la voz, el modelo y el teléfono, así que la cuenta final depende de lo que elijas; verifica sus páginas, porque cambian cada mes. Voxtral da las piezas, con precios claros y control. Gana la plataforma si quieres algo funcionando esta semana y no tienes quién programe; gana Voxtral si tienes volumen, un integrador o datos que no deben salir de tu control.

La objeción: ¿nadie quiere hablar con un robot?

Tiene razón en dos cosas: nadie garantiza que el cliente se quede a hablar con una máquina, y las voces de fábrica en español no son mexicanas. Pero si nadie contesta, ese cliente ya se fue. El agente no tiene que reemplazar a tu gente: tiene que contestar lo que hoy se pierde y pasar la llamada a una persona cuando se atora. En urgencias, o cuando el cliente paga por trato humano, el agente solo toma el recado.

De dónde sale la cifra de Mistral

La afirmación es que Voxtral 3 le gana a todos en transcripción. La cifra la publica Mistral en su propia página y es un promedio de 45 idiomas con audio leído, no con llamadas. Su modelo grande saca 4.1 % de error, Whisper 16 %, pero Microsoft también saca 4.1 %: un empate. No hay una cifra solo de español ni de audio de teléfono. Hasta que haya una prueba independiente con llamadas reales en español de México, es afirmación del fabricante.

Qué se rompe en la práctica

• Números dictados: un teléfono o una dirección dicha rápido es donde estos sistemas suelen fallar; por eso existe el vocabulario clave.
• La agenda: si el modelo no lee tus datos de verdad, inventa un horario y lo promete.
• El ruido: una cocina en hora pico no es un estudio.
• El piloto: calcula de 20 a 40 horas de alguien que programe. Es estimación de WAiBOT, no de Mistral. Confirma además si los cuatro centavos ya incluyen los minutos de LiveKit, porque la página no lo aclara.

¿Cómo aplicarlo en tu empresa?

La calculadora: minutos al mes por 0.95 pesos, más unos 132 pesos del número. Usa tus propios minutos de una semana normal, no promedios ajenos. Y el checklist de ocho pasos:

1. Cuenta tus llamadas y sus minutos durante una semana.
2. Escribe las tres cosas que el agente puede resolver, y nada más.
3. Junta nombres, horarios y precios como vocabulario.
4. Elige una voz, o graba la tuya con permiso.
5. Pruébalo en el playground.
6. Conecta una línea y tu agenda.
7. Haz veinte llamadas de prueba, con ruido.
8. Avisa que habla una IA y que la llamada se graba, y deja siempre una salida a una persona.

Si quieres ver otro caso de agentes de voz, lee el análisis completo del agente de voz GPT-Live.

Preguntas frecuentes

¿Qué es Voxtral 3?

Es el paquete de voz de Mistral, lanzado el 20 de octubre de 2026: un modelo que transcribe, otro que habla y un kit para armar un agente que contesta el teléfono.

¿Cuánto cuesta contestar llamadas con Voxtral 3?

Con el supuesto de 20 llamadas al día de 3 minutos, el video calcula 1,611 pesos al mes, contra 9,582 de una recepcionista con salario mínimo. Son supuestos de ejemplo, no resultados medidos.

¿Tiene voz en español de México?

No de fábrica: las voces oficiales en español son de España. Para sonar mexicano hace falta clonar tu propia voz con treinta minutos de audio y permiso.

¿Es un botón listo para usar?

No. Se arma sobre LiveKit y se conecta por SIP, así que es un kit para alguien que programa. Calcula de 20 a 40 horas de piloto (estimación de WAiBOT).

¿Son confiables los benchmarks de Voxtral 3?

Los publica Mistral en su propia página y son un promedio de 45 idiomas con audio leído, no de llamadas. Falta una prueba independiente con llamadas reales en español de México.

Conclusión

Voxtral 3 como agente de voz no es una historia de robots que reemplazan gente, sino de llamadas que hoy nadie contesta. La cuenta en pesos es favorable en los supuestos del video, pero las cifras de precisión son del fabricante y el piloto necesita a alguien que programe. Mide primero cuántas llamadas son las tuyas y cuál te cuesta más perder.