Премини към основното съдържание
Български— Изберете език
Меню

Модели Voxtral TTS

Урок 2 от 14 Обновен 3 ноември 2026 г. Програмист
На тази страница
  1. Voxtral Mini TTS: Референтният модел
  2. Технически спецификации
  3. Предварително интегрирани професионални гласове
  4. Отворени тегла: Опции за самостоятелно хостване
  5. Използване чрез Mistral API
  6. Еволюция на пътната карта
  7. Ключови изводи

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., е заменен в примерите с voxtral-mini-tts-3-0. Предварително дефинираните гласове на Voxtral 2 (gb_jane_neutral…) остават поддържани; Voxtral 3 добавя тагове [emotion=…] и [pace=…] в текста, настройката expressiveness, персонализирано произношение (phoneme_hints) и 35 езика. Mistral препоръчва повторно измерване на латентността след миграцията. Източници: Migrate from Voxtral 2 · Speech generation.

Voxtral Mini TTS: Референтният модел

Синтетичният модел в семейството Voxtral е Voxtral TTS 3, идентифициран в API като voxtral-mini-tts-3-0 (псевдоним voxtral-mini-tts-3). Това е идентификаторът (slug), който ще използвате във всеки API вызов: запомнете го, тъй като това е единственият низ в този курс, който трябва да знаете наизуст. Моделът е проектиран да предложи оптимален баланс между качество на гласа, латентност и цена, което обяснява защо той покрива почти всички професионални случаи на употреба самостоятелно.

Voxtral Mini TTS е основен модел за гласове (voice foundation model). Това разграничение не е козметично: по-старите TTS системи разделяха текста на фонеми и ги сглобяваха от звукова банка, което водеше до прекъсващи гласове, където всяка сричка изглеждаше независима от предишната. За разлика от тях, Voxtral генерира реч, разбирайки семантичния контекст на текста. При изречение като „Той не каза това“, моделът знае къде да постави ударението, защото е интерпретирал структурата на изречението, произвеждайки естествена просодия с последователна интонация от началото до края.

Технически спецификации

Моделът voxtral-mini-tts-3-0 има следните спецификации:

ХарактеристикаСтойност
Латентност на моделаПриблизително 90 милисекунди преди първия звук
Езици35 езика и над 50 диалекта; предварително дефинирани гласове на 22 езика
Клониране на гласZero-shot, от MP3 или WAV запис с продължителност от няколко секунди до няколко минути
Контрол34 тага за емоции, тагове за темпо, expressiveness, персонализирано произношение
Изходни форматиMP3 (по подразбиране), WAV, PCM, FLAC, Opus — моно, 24 kHz
СтриймингПоддържан в реално време
Цена към 3 ноември 2026 г.13 щатски долара за един милион знака

Тези 90 милисекунди заслужават второ размисъл: това е забавянето преди първият аудио фрагмент да стане наличен, а не общата продължителност на генерирането. В разговорен асистент тази конкретна стойност определя дали обменът ще се усеща естествен или тромав.

Предварително интегрирани професионални гласове

В допълнение към клонирането на глас, Mistral AI предлага библиотека от професионални гласове, готови за незабавна употреба. Тези гласове са записани в студио и оптимизирани за различни случаи на употреба. Те оказват неоценима услуга в началото на един проект: ако искате да проверите дали вашият конвейер работи, преди дори да организирате сесия за запис с избрания от вас актьор, един предварително интегриран глас ви позволява да тествате всичко още същия ден.

В Mistral Studio, уеб интерфейса, можете да разгледате тези гласове и да ги филтрирате по три критерия: пол (мъжки или женски), основният език на гласа и емоция, което означава емоционалния тон — неутрален, ентусиазиран, спокоен и т.н. Всеки от тях е достъпен чрез своя voice_id в API, точно както глас, който сте клонирали сами: вашият код не променя нито един ред, когато превключвате от демо глас към финалния глас.

Отворени тегла: Опции за самостоятелно хостване

Предишното поколение, Voxtral TTS (voxtral-mini-tts-2603), беше пуснато със своите тегла — модел с 4 милиарда параметри в Hugging Face — под лиценза CC BY-NC 4.0. Това не е лиценз за отворен код в обичайния смисъл: той забранява търговската употреба. Позволява експериментиране и прототипиране на ваша собствена инфраструктура, без никакви гласови проби да напускат вашата мрежа, но търговски продукт трябва да използва API или да постигне споразумение с Mistral AI. Към днешна дата документацията на Voxtral TTS 3 не споменава никакви отворени тегла.

За организации, подлежащи на ограничения за поверителност — като доставчик на здравни услуги или правителствена агенция — въпросът следователно възниква в две части: дали употребата е търговска и дали отвореният модел покрива необходимите езици и качество? Ако не, трябва да разгледате договорните ангажименти на API (хостване, запазване на данни).

Използване чрез Mistral API

За да използвате Voxtral Mini TTS чрез API, първо трябва да инициализирате клиента с вашия API ключ:

from mistralai.client import Mistral

client = Mistral(api_key="your-api-key")

След това моделът се реферира чрез своя идентификатор voxtral-mini-tts-3-0 във всеки вызов за генериране. В следващите уроци ще видите как да създавате гласове и да генерирате реч; този обект client ще бъде отправната точка за всички следващи примери.

Ако предпочитате подход без кодиране, Mistral Studio предлага графичен интерфейс, достъпен на studio.mistral.ai. Там можете да слушате наличните професионални гласове, да записвате собствения си глас директно от браузъра, да тествате генерирането на глас с различни текстове и да настройвате параметри — език, емоция, формат. Това е идеалният инструмент за прототипиране: валидирайте за десет минути, че даден глас отговаря на проекта, след което преминете към кодиране, след като вземете решението.

Еволюция на пътната карта

Mistral AI обяви, че други модели ще се присъединят към семейството Voxtral: по-леки модели за вградени и мобилни приложения, по-мощни модели за експресивно генериране на глас и непрекъснати подобрения в многоезичното качество. Следователно, проектирайте вашите интеграции, като изолирате името на модела в конфигурационна променлива, вместо да го разпръсквате из целия си код — в деня, в който пристигне наследник, миграцията ще отнеме само един ред. Дотогава voxtral-mini-tts-3-0 остава референтният модел и покрива огромното мнозинство от професионални случаи на употреба.

Ключови изводи

  • Основният модел е voxtral-mini-tts-3-0, оптимизиран за качество и латентност
  • Предварително интегрираните професионални гласове са налични, за да започнете без аудио проба
  • Предишният модел е с отворени тегла и може да се хоства самостоятелно (нетърговско)
  • Mistral Studio предлага графичен интерфейс за тестване без кодиране
  • Mistral API и Python SDK са входните точки за интеграция