«Cuatro archivadores. No, seis». Ambas cifras deben aparecer en la transcripción. En la lista de materiales, más adelante solo debe contar la cantidad confirmada. Entre estos dos resultados correctos hay una pequeña pero decisiva tarea de razonamiento: el desarrollo de una conversación y su estado de trabajo actual son cosas distintas.
Mistral presentó Voxtral 3 el 20 de octubre de 2026. La documentación de los modelos de transcripción describe, entre otras cosas, marcas de tiempo y atribución de hablantes, e indica que el acceso está en Public Preview. Lo especialmente interesante en la práctica es cómo interactúan la transcripción, la ubicación en el tiempo y la evaluación posterior.
Lo que dice realmente una etiqueta de hablante
La atribución de hablantes puede vincular segmentos pronunciados por la misma voz. Una etiqueta como Hablante A es, en principio, una asignación técnica dentro de la grabación. No establece un nombre, una responsabilidad ni una identidad fuera de este contexto.
La marca de tiempo también cumple una tarea limitada: lleva a un punto del audio original. Una marca de tiempo correcta no hace correcto un nombre mal reconocido. A su vez, un resumen lingüísticamente pulido puede eliminar la autocorrección que era importante para la decisión.
Por eso conviene mantener separados tres resultados: una transcripción casi literal, la estructura de hablantes y tiempos, y un resumen de tareas derivado. Cada uno puede comprobarse sin reescribir en silencio los demás.
Una muestra de conversación propia con un significado conocido
Con una segunda persona que haya dado su consentimiento, graba una escena breve y no sensible. Una persona pide cuatro archivadores. La otra pregunta por un participante adicional. Después, la cantidad se corrige explícitamente a seis. Al final, queda abierto quién recogerá los archivadores. Usa nombres inventados y ninguna conversación real con clientes.
Antes de cualquier procesamiento automático, escribe tu propia referencia: la formulación del cambio de cantidad, los cambios de hablante conocidos y la cuestión abierta de la recogida. Los intervalos de tiempo los determinas a partir de tu grabación real. Para ello no hace falta una pista de audio artificial perfecta; lo importante es que tú mismo conozcas el contenido con fiabilidad.
Primero deja que una función de transcripción adecuada genere solo la transcripción y los segmentos por hablante. Comprueba el cambio de cantidad y vuelve atrás usando las marcas de tiempo. Solo entonces deriva un resumen de tareas. Así es posible distinguir un error de reconocimiento de un resumen erróneo.
Un acuerdo con camino de vuelta al audio
Para el segundo paso basta con una pequeña estructura propia:
Conversation excerpt: “Four binders. No, six.”
Current working state: six binders
Evidence: time range of the explicit correction
Collection: responsibility not agreed in the conversationUna instrucción adecuada es: «Resume solo las tareas que se acordaron explícitamente. Ten en cuenta las correcciones posteriores. Para cada tarea, indica el punto temporal correspondiente. Mantén las responsabilidades poco claras como punto abierto». Esto es más preciso que pedir un acta profesional.
Después comprueba si un resumen ha convertido por accidente una sugerencia no vinculante en un compromiso. «Quizá Lea pueda recogerlo» es un estado de la conversación distinto de «Lea lo recoge». Una palabra reconocida correctamente puede, aun así, recibir un grado de compromiso equivocado en la evaluación.
Los subtítulos requieren una decisión adicional
Para los subtítulos, quizá quieras acortar repeticiones y formar líneas legibles. Un resumen de materiales, en cambio, debe condensar el acuerdo actual. Ambas tareas pueden usar el mismo audio de origen, pero necesitan reglas distintas.
Mantén la base casi literal separada de la versión editada. Así podrás rastrear más adelante por qué se acortó una línea y si se conservó la corrección. Los nombres propios, las cifras y los matices merecen una segunda escucha específica.
El pequeño experimento no prueba una tasa de reconocimiento general ni el rendimiento con acentos arbitrarios. Muestra algo útil de inmediato: ¿en qué fase una secuencia escuchada se convierte en una afirmación relevante para actuar? Según la documentación, Voxtral 3 ofrece componentes para este recorrido. Un registro utilizable surge cuando sus resultados siguen vinculados al original y se permite que los acuerdos abiertos sigan abiertos.
Fuentes y estado
Fuentes a fecha de 25 de octubre de 2026. Voxtral 3 · Voxtral Mini Transcribe 3.
