Audio y música
Voxtral 3: Mistral transcribe en 50 idiomas y añade un SDK para montar agentes que hablan por teléfono
Mistral publicó el 20 de octubre Voxtral 3, una familia nueva de modelos de voz a texto y de texto a voz con un SDK de agente de voz encima. La transcripción sube a 50 idiomas, con las 24 lenguas oficiales de la UE y varias asiáticas e índicas con pocos recursos; la síntesis cubre más de 35 idiomas y más de 50 dialectos. Está disponible hoy por la API europea de Mistral o para desplegarlo en infraestructura propia.
LanzamientoDisponibleSin confirmar si afecta al plan gratuito
Qué significa para ti
Lo que cambia es el montaje: el SDK, construido sobre LiveKit, encadena escucha, razonamiento y habla en una sola tubería, ninguna etapa espera a la anterior y cada etapa es un modelo distinto, así que se puede cambiar el modelo de lenguaje, la voz o el idioma sin reescribir el agente. Precios: 0,0035 dólares por minuto la transcripción Mini, 13 por millón de caracteres la voz, y 0,04 o 0,08 por minuto el agente completo. No hay pesos abiertos, y las comparaciones con Whisper, ElevenLabs o Gemini son medidas de Mistral.
Fuentes
Todo lo anterior sale de estas páginas. Si alguna contradice lo que publicamos, gana la fuente y lo corregimos.
Seguir leyendo
- Audio y música
ElevenLabs llega a OpenRouter con once modelos de voz, y hasta el 19 de octubre a mitad de precio
OpenRouter anunció el 7 de octubre que los modelos de ElevenLabs ya están en su plataforma: nueve de texto a voz y dos de voz a texto. Lo práctico es que no hace falta contratar un plan aparte de ElevenLabs — se llama a dos endpoints de OpenRouter con la misma clave de API que ya se use para los modelos de lenguaje. Entre ellos están Eleven v4 para narración y personajes, v4 Turbo para respuestas habladas en directo y Scribe v2 para transcribir con etiquetas de hablante.
LanzamientoDisponible
- Audio y música
Suno abre a todos la beta de Speech, que genera la voz y la música en una sola pista
Suno abrió el 1 de octubre la beta de Speech a toda su comunidad, después de un mes de pruebas con un grupo pequeño de usuarios. Sirve para crear audio hablado con música original de fondo: se escribe una idea, un poema o un texto propio y se describe la voz y el estilo musical que se quiere. Va integrado dentro de Suno, sin herramienta aparte. La compañía lo presenta como el primer modelo de audio que genera voz y música juntas en una sola pista, afirmación que es suya.
Preview o betaPreview
- Audio y música
Hugging Face abre una clasificación de voz sintética medida con métricas objetivas, no con votos
Hugging Face publicó el 30 de septiembre el Open TTS Leaderboard, una clasificación de modelos de voz sintética centrada en el código abierto y en varios idiomas. Cuenta que en su Hub hay ya más de 8.000 modelos de este tipo y sostiene que la evaluación no ha seguido ese ritmo: sigue fragmentada y sin estandarizar. En vez de recoger votos mide con métricas objetivas: inteligibilidad por tasa de error transcribiendo con Qwen3 ASR, velocidad en una GPU H200 y parecido de voz entre el audio generado y el de referencia.
LanzamientoDisponible