Voxtral TTS

Voxtral TTS es el primer modelo de texto a voz de Mistral AI: una voz IA open source de 4.000 millones de parámetros que clona cualquier voz con solo 3 segundos de audio, cuesta $16 por millón de caracteres en su API (a octubre de 2026) y fue preferida frente a ElevenLabs Flash v2.5 en el 87,8 % de las pruebas a ciegas en español.

¿Qué es Voxtral TTS?

Presentado el 26 de marzo de 2026, Voxtral TTS persigue un objetivo muy concreto: que las empresas ejecuten síntesis de voz avanzada en sus propios servidores y reduzcan la dependencia de las API comerciales cerradas. No existe plan gratuito ni suscripción obligatoria: la API de Mistral se factura por uso a $0,016 por cada 1.000 caracteres (unos $16 por millón, a octubre de 2026), y los pesos pueden descargarse desde Hugging Face bajo licencia CC BY-NC 4.0.

Conviene aclarar un matiz de nombre: los modelos Voxtral de julio de 2025 eran de transcripción (voz a texto). Voxtral TTS va en la dirección contraria: convierte texto en voz en nueve idiomas —inglés, francés, alemán, español, neerlandés, portugués, italiano, hindi y árabe— con una sola arquitectura.

Capacidades principales

Clonación de voz con IA: con 3 segundos basta

La función estrella es la clonación de voz zero-shot. Con una muestra de apenas 3 segundos, el modelo reproduce acento, entonación, énfasis e incluso elementos naturales del habla como muletillas y sonidos de relleno, frente a los 30 segundos o más que suelen exigir los sistemas tradicionales. También admite transferencia de voz entre idiomas: una grabación en un idioma puede generar voz en otro manteniendo la identidad vocal.

Aquí aparece la limitación más importante del producto: la clonación de voz solo está disponible a través de la API gestionada de Mistral. Los pesos públicos no incluyen esta función y no hay calendario publicado para añadirla; la versión autohospedada se limita a voces preestablecidas.

Arquitectura híbrida de tres etapas

Construido sobre la base de Ministral 3B, Voxtral TTS combina generación autorregresiva y flow matching en tres componentes:

• Decoder autorregresivo (3.400 M de parámetros): predice los tokens semánticos y decide qué debe decir la voz, con su ritmo, acentos y prosodia de frase.
• Transformer acústico con Flow Matching (390 M): define cómo suena la voz: timbre, evolución del tono y expresión.
• Códec neuronal Voxtral (300 M): comprime el audio de 24 kHz en tramas discretas de 12,5 Hz y reconstruye la forma de onda final.

El resultado es una generación a ~9,7 veces tiempo real (un clip de 10 segundos tarda ~1,6 segundos) con una latencia de modelo de ~70 ms, suficiente para agentes de voz y asistentes conversacionales en tiempo real. La API devuelve audio en PCM o MP3, con un tiempo hasta el primer audio de ~0,8 segundos en PCM y ~3 segundos en MP3.

Despliegue local

El modelo funciona con ~16 GB de VRAM, siendo una RTX 4090 de 24 GB la opción recomendada. En equipos Apple Silicon, una versión cuantizada a 4 bits se ejecuta con ~3 GB de memoria, lo que convierte a Voxtral en uno de los modelos TTS de 4.000 M de parámetros más accesibles para hardware de consumo.

Precio de Voxtral TTS: coste real a octubre de 2026

La API cuesta $0,016 por cada 1.000 caracteres, equivalente a $16 por millón de caracteres. Tomando como referencia una narración de 150 palabras por minuto, eso supone unos $0,79 por hora de audio generada.

• Usuarios ocasionales: sin cuota gratuita, pero sin suscripción: se paga solo según consumo, interesante para pocas piezas de audio al mes.
• Usuarios de intensidad media: ~5 horas de audio al mes (unos 450.000 caracteres) cuestan cerca de $7,20 por la API, claramente por debajo del precio de entrada de alternativas comerciales por suscripción.
• Usuarios intensivos: para 10 millones de caracteres al mes, el plan Scale de ElevenLabs supone ~$330 mensuales, mientras que Voxtral rondaría los $160: una reducción de alrededor del 52 %.
• Despliegue local: sin coste de API, pero solo para uso no comercial por la licencia CC BY-NC 4.0; el autoalojamiento comercial exige negociar una licencia con Mistral, cuyos términos no son públicos.

Con $16 por millón de caracteres, Voxtral se sitúa en el tramo más económico de las API comerciales de texto a voz, aunque no puede considerarse una solución comercial totalmente gratuita.

Benchmark: Voxtral frente a ElevenLabs

En las evaluaciones humanas publicadas por Mistral, hablantes nativos de nueve idiomas escucharon a ciegas muestras de clonación zero-shot. Voxtral TTS fue preferido en el 68,4 % de los casos frente a ElevenLabs Flash v2.5. Con voces preestablecidas de referencia la preferencia fue del 62,8 %, y en tareas de personalización de voz subió al 69,9 %.

La ventaja no es uniforme por idioma (tasas de preferencia de Voxtral, a octubre de 2026):

Idioma	Preferencia frente a ElevenLabs Flash v2.5
Español	87,8 % ✅
Hindi	79,8 %
Portugués	74,4 %
Alemán	72,0 %
Árabe	72,9 %
Inglés	60,8 %
Italiano	57,1 %
Francés	54,4 %
Neerlandés	49,4 % ❌

El español es el punto más fuerte de Voxtral: su 87,8 % es la tasa más alta de todos los idiomas evaluados, un dato especialmente relevante para creadores y empresas hispanohablantes. En cambio, francés y neerlandés quedan cerca del empate, lo que demuestra que el rendimiento multilingüe no es uniforme.

Ventajas y limitaciones

✅ Ventajas

• Calidad en español sobresaliente: 87,8 % de preferencia en pruebas a ciegas, la mejor cifra del conjunto de evaluación.
• Clonación muy eficiente en datos: 3 segundos de audio bastan (vía API), una de las propuestas más accesibles para voces personalizadas multilingües.
• Precio de API competitivo: $16 por millón de caracteres sitúa a Voxtral entre las opciones comerciales más baratas.
• Latencia mínima: ~70 ms de modelo y ~9,7x tiempo real, ideal para streaming y agentes conversacionales.
• Despliegue local flexible: desde 16 GB de VRAM, o ~3 GB cuantizado en Apple Silicon, con control total de los datos.

❌ Limitaciones

• Licencia restrictiva: CC BY-NC 4.0 limita el uso gratuito de los pesos a fines no comerciales; el autoalojamiento comercial obliga a negociar con Mistral.
• Sin clonación en la versión local: la función más atractiva solo existe en la API; los pesos públicos no la incluyen.
• Controles de velocidad y pausas insuficientes: los primeros usuarios reportaron voces demasiado rápidas y ausencia de control específico de pausas, sin confirmación pública de su corrección.
• Solo 9 idiomas: frente a los 32+ de ElevenLabs Flash v2.5, un inconveniente para localizaciones amplias.

Voxtral vs ElevenLabs: comparativa rápida

Criterio	Voxtral TTS	ElevenLabs Flash v2.5
Precio API (octubre de 2026)	$16 / millón de caracteres	Desde $22/mes (Creator, 100.000 caracteres)
Clonación zero-shot	3 segundos (solo API)	Voces personalizadas en planes de pago
Idiomas	9	32+
Latencia	~70 ms	Optimizada para tiempo real
Autoalojamiento	Sí (pesos CC BY-NC 4.0, uso no comercial)	No
Preferencia en español	87,8 %	12,2 %

ElevenLabs sigue siendo más completo en idiomas, biblioteca de voces y ecosistema; Voxtral gana en coste por volumen, latencia, español y soberanía de datos.

¿Para quién es Voxtral TTS?

Es especialmente recomendable para creadores y empresas que trabajan en español, para equipos que generan grandes volúmenes de audio y buscan reducir costes, y para equipos de investigación o desarrolladores preocupados por la soberanía de los datos que pueden ejecutar el modelo en infraestructura propia con fines no comerciales.

No es la mejor opción para quien necesita una solución realmente open source para uso comercial (la CC BY-NC obliga a negociar licencia), para proyectos que exigen control fino de velocidad, ritmo y pausas, ni para idiomas donde las pruebas muestran resultados ajustados, como francés o neerlandés.

Preguntas frecuentes

¿Voxtral TTS es gratis?

La API no tiene plan gratuito: se factura a $0,016 por cada 1.000 caracteres sin suscripción obligatoria. Los pesos son descargables gratis en Hugging Face, pero solo para uso no comercial bajo CC BY-NC 4.0.

¿Cuánto cuesta Voxtral TTS por hora de audio?

A octubre de 2026, con una narración de 150 palabras por minuto, generar una hora de audio cuesta aproximadamente $0,79 mediante la API.

¿Puedo clonar una voz con la versión local?

No. La clonación zero-shot de 3 segundos solo funciona a través de la API gestionada de Mistral; los pesos públicos no incluyen la función y no hay fecha anunciada para incorporarla.

¿Qué tal funciona Voxtral en español?

Es su mejor idioma: los hablantes nativos prefirieron Voxtral frente a ElevenLabs Flash v2.5 en el 87,8 % de las muestras a ciegas, la tasa más alta de los nueve idiomas evaluados.

¿Se puede usar Voxtral TTS comercialmente en mi servidor?

No de forma directa: la licencia CC BY-NC 4.0 prohíbe el uso comercial de los pesos descargados. Para autoalojarlo con fines comerciales hay que negociar una licencia específica con Mistral, o bien usar su API de pago.

Valoración final

Voxtral TTS brilla en tres áreas: calidad en español, coste de API y baja latencia. Su problema principal es la brecha entre lo que promete como modelo con pesos públicos y lo que permite hacer en local: sin clonación de voz y con licencia no comercial. Aun así, para el mercado hispanohablante es hoy una de las alternativas de voz IA que más merece evaluarse, sobre todo si el volumen de audio hace que el coste de las API por suscripción se dispare.