Převod textu na řeč a vlastní hlasy s Voxtral TTS
Na této stránce
Aktualizace 2. listopadu 2026 — Le Chat je nyní Vibe. Od 28. května 2026 byl Le Chat přejmenován na Vibe (stále na chat.mistral.ai): jediný agent pro práci i kódování, který si zachovává vaše konverzace, nastavení a předplatné. Původní prostředí Le Chat zůstává dostupné v režimu Chat; v režimu Work se agenti stali dovednostmi (vyvolávanými pomocí
@), paměti slouží jako znalostní báze a hloubkové vyhledávání je nyní dovednost Deep Research. Plány se nyní nazývají Mistral Free, Pro, Team a Enterprise. Tato lekce používá název Vibe; mějte na paměti, že některá zde popsaná menu mohla změnit názvy nebo umístění.
Dejte svému textu hlas
Převod textu na řeč (TTS) je přesným opakem přepisu, který jste studovali v předchozích lekcích: místo převodu řeči na text transformuje text na řeč. Díky Voxtral TTS nabízí Mistral mimořádnou kvalitu syntézy schopnou reprodukovat přirozené intonace, vyjadřovat emoce a dokonce klonovat váš vlastní hlas. Tento poslední bod si zaslouží pozornost, protože mění podstatu úkolu: už jen nevybíráte hlas z katalogu; můžete si vytvořit vlastní.
Ve Vibeu je převod textu na řeč bezproblémově integrován: asistent může číst své odpovědi nahlas pomocí přirozeného, expresivního hlasu. V závislosti na vašem nastavení a platformě se tento přehled spustí automaticky v hlasovém režimu nebo na vyžádání. Představte si, že připravujete večeři, zatímco vám Vibe shrnuje dlouhý článek: shrnutí si poslechnete místo čtení z obrazovky a máte volné ruce. Vibe nabízí několik profesionálních hlasů, které se liší pohlavím (mužský nebo ženský), jazykem (každý hlas je optimalizován pro jeden nebo více jazyků) a tónem, přičemž některé hlasy znějí tepleji a jiné neutrálněji či formálněji. Nejlepší přístup je otestovat dva nebo tři hlasy na stejném textu: teplý hlas se hodí pro vyprávění, zatímco neutrální hlas pro institucionální obsah.
Klonování hlasu bez předchozího tréninku (Zero-Shot)
Nejpůsobivější funkcí Voxtral TTS je klonování hlasu bez předchozího tréninku (zero-shot voice cloning): z pouhých 2 až 3 sekund nahrávky vašeho hlasu dokáže model vygenerovat řeč, která zní jako vy. „Zero-shot“ znamená, že není potřeba žádný zdlouhavý trénink – stačí jednoduchý vzorek, zatímco předchozí technologie vyžadovaly hodiny studiového času. Model zachytí barvu, rytmus a jedinečné charakteristiky vaší řeči a často produkuje překvapivě přesný výsledek.
Tyto hlasy vytváříte v Mistral AI Studio, pokročilém rozhraní Mistralu, ve čtyřech krocích:
- Přejděte do sekce Audio > Text to Speech
- Klikněte na „My Voices“ a poté na „Add New Voice“
- Pojmenujte svůj hlas a nahrajte vzorek – buď nahráním zvukového souboru, nebo přímým záznamem přes mikrofon
- Použijte svůj naklonovaný hlas k generování řeči z libovolného textu
Jedním klíčovým konceptem, který musíte pochopit, je princip „Hlas jako instrukce“. Model nejen reprodukuje barvu referenčního hlasu, ale kopíruje také emoci a intonaci. Pokud je váš vzorek energický a nadšený, bude takový i vygenerovaný hlas; pokud mluvíte klidně a rozvážně, syntéza přijme stejný rejstřík. V praxi vám to poskytuje neočekávanou páku pro ladění: chcete-li dynamické vyprávění, nahrajte svůj vzorek s energií; pro klidný hlas dokumentu se nahrajte, jak pomalu čtete. Výstupní tón ovlivňujete jednoduše tím, jak se nahrajete.
Rozsáhlé mnohojazyčné schopnosti
Voxtral TTS podporuje více než 9 jazyků: angličtinu, francouzštinu, španělštinu, portugalštinu, italštinu, nizozemštinu, němčinu, hindštinu a arabštinu. Skutečná hodnota však spočívá ve dvou pokročilých funkcích. První je mezijazykové klonování: můžete použít vzorek hlasu v jednom jazyce a generovat řeč v jiném, přičemž si zachováte původní charakteristiky hlasu. Francouzský vzorek tak může generovat anglickou řeč – s přirozeným francouzským přízvukem mluvčího, což činí výsledek věrohodným a osobním. Představte si francouzsky mluvícího instruktora, který chce nabídnout anglickou verzi svého e-learningového modulu ve svém vlastním hlase: přesně o tento případ použití jde.
Druhou funkcí je míchání kódů (code-mixing): model přirozeně zvládá text, který kombinuje více jazyků. Pokud váš text střídá pasáže ve francouzštině a angličtině – například prezentace plná anglických technických termínů – hlas mezi nimi přepne, aniž by ztratil plynulost.
Vylepšení vašeho klonu a textu
Kvalita výstupu přímo závisí na kvalitě vstupu. U vzorku hlasu usilujte o čistý záznam v délce 3 až 30 sekund bez hluku na pozadí: žádná hudba, žádný hovor, jen váš hlas. Mluvte přirozeně a s výrazem – plochý, monotónní záznam vytvoří robotický hlas. Vyhněte se výplňovým slovům jako „ehm“, „á“ nebo jiným zaváháním, protože je model začlení do vaší hlasové signatury. Nakonec pro nejlepší výsledky nahrávejte ve stejném jazyce, jako je cílový text, i když mezijazykové klonování funguje také.
Text určený k syntéze také vyžaduje určitou přípravu. Čísla pište slovně – „tři tisíce dvě stě“ místo „3200“ – a rozepisujte zkratky, používejte „pan“ místo „p.“, abyste předešli chybné výslovnosti. Vyhněte se emoji a složitému formátování, které nemají žádnou ústní obdobu. Pro optimální kvalitu zůstaňte pod hranicí 300 slov na žádost: dlouhé dokumenty rozdělte na více úseků.
Praktických případů použití je mnoho: generujte profesionální voiceovery pro svá videa bez studia, zpřístupněte své články nevidomým uživatelům, prototypujte různé hlasy pro virtuálního asistenta před integrací, transformujte písemné materiály na audio kurzy pro e-learning nebo vytvářejte vyprávění pro svůj obsah na TikTok a Instagram.
Klíčové poznatky
- Voxtral TTS převádí text na přirozenou řeč ve více než 9 jazycích
- Klonování hlasu funguje již s 2–3 sekundami nahrávky
- Emoce a intonace referenčního vzorku ovlivňují vygenerovaný hlas
- Mezijazykové klonování vám umožňuje mluvit cizím jazykem vlastním hlasem
- Pro úspěšné klonování: čistý, přirozený záznam v délce 3 až 30 sekund