Аудио формати
На тази страница
Курсът е актуализиран на 3 ноември 2026 г. за Voxtral TTS 3, въз основа на ръководството Migrate from Voxtral 2 и страниците на Mistral за Text to Speech:
voxtral-mini-tts-2603, обявен за остарял на 31 октомври 2026 г. и премахнат на 30 април 2027 г., се заменя в примерите сvoxtral-mini-tts-3-0. Предварително дефинираните гласове на Voxtral 2 (gb_jane_neutral…) остават поддържани; Voxtral 3 добавя тагове[emotion=…]и[pace=…]в текста, настройкатаexpressiveness, персонализирано произношение (phoneme_hints) и 35 езика. Mistral препоръчва повторно измерване на латентността след миграцията. Източници: Migrate from Voxtral 2 · Speech generation.
Избор на подходящ изходен формат
Параметърът response_format приема пет стойности. Този избор на един ред има много по-голямо значение, отколкото изглежда: той определя качеството на аудиото, размера на файловете, които съхранявате, латентността, която потребителите Ви възприемат, и съвместимостта с техните плейъри. Подкаст, доставен в PCM, ще бъде невъзпроизводим за половината от аудиторията Ви; гласов агент в MP3 ще изостава с две секунди зад всеки отговор. Таблицата по-долу дава обща представа, а остатъкът от този урок обяснява кога да използвате всеки формат.
| Формат | Компресия | Качество | Латентност при стрийминг | Основно приложение |
|---|---|---|---|---|
| MP3 | Със загуби (Lossy) | Добро | ~2 секунди | Обща употреба, файлове |
| WAV | Няма (PCM) | Максимално | Средна | Пост-продукция, аудиокниги |
| PCM | Няма (суров) | Максимално | ~0.7 секунди | Стрийминг в реално време |
| FLAC | Без загуби (Lossless) | Максимално | Средна | Архивиране, професионално качество |
| Opus | Със загуби (Lossy) | Много добро | Ниска | Стрийминг, VoIP, ограничена честотна лента |
Латентностите в тази таблица са приблизителни порядъци, измерени с Voxtral 2; измерете ги отново с Voxtral TTS 3, който във всички случаи произвежда моно аудио при 24 kHz.
MP3: Универсалният стандарт
MP3 остава най-разпространеният формат: всеки браузър, телефон и плейър го чете нативно, а той носи и метаданните ID3, изисквани от платформите за подкасти. Компресията му е със загуби, така че качеството е леко по-ниско от това на WAV, но разликата рядко се долавя при реч. Истинският му недостатък е другаде: при стрийминг кодекът трябва да натрупа данни, преди да произведе първия си фрейм, което забавя първия звук с около две секунди. Изберете този формат за файлове за изтегляне, подкасти или стандартна уеб интеграция – никога за разговорна употреба.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="An MP3 file for standard use.",
voice_id=voice_id,
response_format="mp3",
)
WAV: Максимално качество
WAV съдържа некомпресирано PCM аудио, осигурявайки най-доброто възможно качество без никаква загуба. Тъй като няма нищо за декодиране и аудио редакторите универсално разпознават формата, това е естествената отправна точка за всяка верига за пост-продукция: редактирате, еквалайзирате и компресирате, след което експортирате в желания формат за разпространение. Компромисът е размерът на файла – около десет пъти по-голям от този на MP3 – и съответните изисквания за честотна лента.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="A WAV file for the best quality.",
voice_id=voice_id,
response_format="wav",
)
Запазете го за аудиокниги със студийно качество, архивиране и всичко, което планирате да редактирате по-късно.
PCM: Форматът за реално време
PCM (Импулсно-кодова модулация) е сурово Float32 Little-Endian аудио без хедър или капсулиране. Тази голота е едновременно неговата сила и слабост. Силата му: няма нищо за кодиране или декодиране, първият звук пристига за около 0.7 секунди, а получените байтове се записват директно в звуковата карта. Слабостта му: без хедър трябва сами да знаете и предавате честотата на дискретизация и формата – точно затова примерът с pyaudio в Урок 10 изрично декларира paFloat32, един канал и 24 000 Hz. Файловете също са много големи и никой потребителски плейър не ги отваря директно.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Raw PCM for streaming.",
voice_id=voice_id,
response_format="pcm",
)
Това е форматът за гласови асистенти в реално време, разговорни агенти и WebRTC приложения.
FLAC: Компресия без загуби
FLAC намалява размера на файла с 50% до 60%, без да засяга нито една проба: качеството е строго идентично с това на WAV и запазвате метаданните. На практика това е Вашият формат за архивиране: съхранявайте мастерите си във FLAC и можете да генерирате отново MP3 или Opus години по-късно, без да страдате от двойна компресия, която влошава аудиото. Той изисква декодер, което го прави по-малко универсален от MP3.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="FLAC for lossless archiving.",
voice_id=voice_id,
response_format="flac",
)
Opus: Съвременният компромис
Opus е кодек, проектиран за комуникация в реално време, осигуряващ отлично качество при много ниски битрейтове. В мобилно приложение, работещо на влошена 4G мрежа, той доставя ясен глас там, където WAV би наситил връзката, с ниска латентност при стрийминг – по-висока от PCM, но много по-ниска от MP3. Съвместимостта обаче е неравномерна: не всички плейъри го поддържат нативно, а някои изискват OGG контейнер.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Opus for efficient streaming.",
voice_id=voice_id,
response_format="opus",
)
Това е изборът за VoIP, стрийминг с ограничена честотна лента и мобилни приложения.
Решаване за една минута
Изправени пред нов проект, вземете решение в следния ред. Ако правите стрийминг в реално време, изберете PCM за минимална латентност или Opus, ако честотната лента е толкова важна, колкото и отзивчивостта. В противен случай се запитайте къде ще се възпроизвежда файлът: в браузър, MP3 гарантира максимална съвместимост. Ако трябва да се редактира по-късно, WAV Ви дава най-лесния материал за манипулация. Ако трябва да се архивира без загуба на нито един децибел, FLAC компресира, без да жертва нищо. И ако доминиращото ограничение е бавната мрежа, Opus предлага най-доброто съотношение качество-размер.
Ключови изводи
- MP3 е изборът по подразбиране за универсална съвместимост
- PCM предлага най-ниската латентност за стрийминг в реално време (~0.7s)
- WAV осигурява най-доброто некомпресирано качество, идеално за пост-продукция
- FLAC компресира без загуби – същото качество като WAV, по-малки файлове
- Opus е най-добрият компромис между качество и размер за мрежови приложения