Създаване на персонализиран глас
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.
От запис към клониран глас
Създаването на персонализиран глас с Voxtral се свежда до две стъпки: подгответе висококачествен аудио образец, след което го изпратете към API с правилните параметри. Втората стъпка отнема десет минути; първата заслужава повече внимание, тъй като тя определя крайния резултат. Този урок ще Ви преведе през процеса на създаване на Вашия първи глас.
Подгответе Вашия аудио образец
Аудио образецът е основата на Вашия глас: неговото качество директно определя качеството на синтезираната реч. Моделът не коригира нищо; той възпроизвежда точно това, което чува.
С Voxtral TTS 3 документацията изисква MP3 или WAV запис с продължителност от няколко секунди до няколко минути (Voxtral 2 приемаше от 3 до 30 секунди). На практика се открояват три режима. Между 3 и 10 секунди моделът улавя основния тембър, но с по-малко нюанси: гласът ще бъде разпознаваем, без да е напълно реалистичен. Между 10 и 20 секунди получавате добър компромис между качество и лекота на използване, достатъчен за повечето проекти. Над 20 секунди предоставяте на модела достатъчно материал, за да схване тънкостите – ритъм, интонация, онези микро-вариации, които позволяват на приятел да Ви разпознае по две думи.
Остава въпросът какво да кажете – проблем, който спъва повече хора, отколкото бихте очаквали, когато дойде моментът за запис. Ето референтен скрипт, препоръчан от Mistral:
“I am recording an audio sample to clone my voice. Once finished, I will be able to generate speech that sounds like me. It is incredible how AI can capture my way of speaking, my tone, my rhythm, and even the small quirks that make my voice unique.”
Този текст не е произволен: той е проектиран да покрие разнообразие от звуци и интонации на английски език, включващи отворени и затворени гласни, преградни съгласни и възклицателно изречение. Що се отнася до файла, API приема често срещани формати – MP3, WAV, FLAC, OGG – като файлът се кодира в base64 преди изпращане.
Пълен Python код
Ето кода за създаване на глас с всички налични параметри:
import base64
from pathlib import Path
from mistralai.client import Mistral
client = Mistral(api_key="your-api-key")
# Read and encode the audio sample
audio_path = Path("my-sample.mp3")
sample_audio_b64 = base64.b64encode(audio_path.read_bytes()).decode()
# Create the voice with all parameters
voice = client.audio.voices.create(
name="podcast-narrator-en",
sample_audio=sample_audio_b64,
sample_filename=audio_path.name,
languages=["en", "fr"],
gender="male",
age=40,
tags=["podcast", "narrator", "professional"]
)
print(f"Voice created successfully!")
print(f" ID : {voice.id}")
print(f" Name : {voice.name}")
print(f" Languages : {voice.languages}")
Само два параметъра са задължителни:
name: видимото име на Вашия глас. Изберете описателно име, което Ви позволява лесно да го идентифицирате (напр.support-assistant-en,podcast-intro)sample_audio: аудио образецът, кодиран в base64. Това е единственият параметър, който не може да бъде променен след създаването
Останалите са по желание, но всеки служи за конкретна цел:
sample_filename: оригиналното име на файла. Помага на API да открие аудио форматаslug: идентификатор, подходящ за URL. Ако се пропусне, се генерира автоматично от иметоlanguages: масив от ISO кодове на езици (напр.["en", "fr", "es"]). Посочва езиците, за които този глас е оптимизиранgender:"male"или"female". Използва се за филтриране в интерфейсаage: цяло число, представляващо приблизителната възраст на говорещия. Помага за категоризиране на гласаtags: масив от низове по избор за организиране на Вашите гласове (напр.["commercial", "dynamic"])
При проект с един единствен глас може да сте склонни да пропуснете всичко останало. При каталог от тридесет гласа, разпределени между множество клиенти, таговете и езиците, посочени при създаването, ще Ви спестят часове сортиране.
Запис от браузъра
Ако предпочитате да не работите директно с аудио файлове, Mistral Studio Ви позволява да записвате директно от Вашия браузър:
- Отидете в секцията Audio > Text to Speech
- Кликнете върху My Voices, след това върху Add a new voice
- Въведете името на Вашия глас
- Кликнете върху бутона за запис и говорете в продължение на 10 до 30 секунди
- Потвърдете – Вашият глас е незабавно наличен
Този метод работи перфектно за бързи тестове или когато лицето, което предоставя гласа си, не е същото, което пише кода – актьор или ръководител ще бъде по-склонен да изпълни упражнението в браузър, отколкото в терминал.
Проверете Вашия глас
Никога не продължавайте, без да чуете резултата. Веднага щом създаването приключи, генерирайте тестово изречение:
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Hello, this is a test of my custom voice.",
voice_id=voice.id,
response_format="mp3",
)
Path("test-voice.mp3").write_bytes(
base64.b64decode(response.audio_data)
)
print("File test-voice.mp3 generated — listen to the result!")
Слушайте със слушалки, а не през високоговорителите на лаптопа: дефектите в тембъра са нечуваеми там. Ако резултатът не Ви удовлетворява, създайте нов глас с по-добър образец, вместо да преизползвате същия – API така или иначе не позволява замяна на аудиото на съществуващ глас, а настояването върху лош запис само ще отложи проблема.
Ключови изводи
- Записът (MP3 или WAV) може да продължи от няколко секунди до няколко минути; стремете се към поне 10 до 20 секунди разнообразна реч
- Аудио файлът се кодира в base64 преди изпращане към API
- Параметрите
nameиsample_audioса задължителни; останалите са по желание - Mistral Studio позволява запис директно от браузъра
- Винаги тествайте Вашия глас веднага след създаването му