Formáty zvuku
Na této stránce
Kurz aktualizován 3. listopadu 2026 pro Voxtral TTS 3 na základě průvodce Migrace z Voxtral 2 a dokumentace Mistralu Text to Speech: model
voxtral-mini-tts-2603, zastaralý k 31. říjnu 2026 a odstraněný k 30. dubnu 2027, je v příkladech nahrazen modelemvoxtral-mini-tts-3-0. Předdefinované hlasy Voxtral 2 (gb_jane_neutral…) zůstávají podporovány; Voxtral 3 přidává značky[emotion=…]a[pace=…]přímo do textu, nastaveníexpressiveness, vlastní výslovnost (phoneme_hints) a podporu 35 jazyků. Mistral doporučuje po migraci znovu změřit latenci. Zdroje: Migrace z Voxtral 2 · Generování řeči.
Výběr správného výstupního formátu
Parametr response_format přijímá pět hodnot. Tato zdánlivě jednoduchá volba je důležitější, než se na první pohled zdá: určuje kvalitu zvuku, velikost ukládaných souborů, latenci, kterou vnímají tvoji uživatelé, a kompatibilitu s jejich přehrávači. Podcast dodaný ve formátu PCM bude pro polovinu tvého publika nepřehratelný; hlasový agent v MP3 bude za každou odpovědí zaostávat o dvě sekundy. Následující tabulka poskytuje přehled a zbytek této lekce vysvětluje, kdy který formát použít.
| Formát | Komprese | Kvalita | Latence streamování | Hlavní použití |
|---|---|---|---|---|
| MP3 | Ztrátová | Dobrá | ~2 sekundy | Obecné použití, soubory |
| WAV | Žádná (PCM) | Maximální | Střední | Postprodukce, audioknihy |
| PCM | Žádná (raw) | Maximální | ~0,7 sekundy | Streamování v reálném čase |
| FLAC | Bezztrátová | Maximální | Střední | Archivace, profesionální kvalita |
| Opus | Ztrátová | Velmi dobrá | Nízká | Streamování, VoIP, omezená šířka pásma |
Latence v této tabulce jsou přibližné řády naměřené s Voxtral 2; znovu je změř s Voxtral TTS 3, který ve všech případech produkuje mono zvuk při 24 kHz.
MP3: Univerzální standard
MP3 zůstává nejrozšířenějším formátem: každý prohlížeč, telefon i přehrávač jej čte nativně a nese metadata ID3, která vyžadují podcastové platformy. Jeho komprese je ztrátová, takže kvalita je mírně nižší než u WAV, ale u řeči je tento rozdíl jen zřídka slyšitelný. Jeho skutečná nevýhoda spočívá jinde: při streamování musí kodek nejprve nashromáždit data, než vyprodukuje první snímek, což zpožďuje první zvuk asi o dvě sekundy. Tento formát zvol pro stahovatelné soubory, podcasty nebo standardní webovou integraci – nikdy pro konverzační použití.
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: Maximální kvalita
WAV obsahuje nekomprimované PCM audio a poskytuje nejlepší možnou kvalitu bez jakékoli ztráty. Protože není co dekódovat a audio editory tento formát univerzálně rozpoznávají, je přirozeným výchozím bodem pro jakýkoli postprodukční řetězec: upravuješ, ekvalizuješ a komprimuješ, poté exportuješ do požadovaného distribučního formátu. Nevýhodou je velikost souboru – asi desetkrát větší než u MP3 – a s tím spojené nároky na šířku pásma.
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",
)
Rezervuj si jej pro audioknihy studiové kvality, archivaci a vše, co plánuješ později upravovat.
PCM: Formát pro reálný čas
PCM (Pulse Code Modulation) představuje syrové audio ve formátu Float32 Little-Endian bez hlavičky či zapouzdření. Tato nahota je jeho silnou i slabou stránkou. Silná stránka: nic k kódování nebo dekódování, první zvuk dorazí přibližně za 0,7 sekundy a přijaté byty se zapisují přímo na zvukovou kartu. Slabá stránka: bez hlavičky musíš sám znát a přenášet vzorkovací frekvenci a formát – přesně proto příklad s pyaudio v lekci 10 explicitně deklaroval paFloat32, jeden kanál a 24 000 Hz. Soubory jsou také velmi velké a žádný běžný přehrávač je přímo neotevře.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Raw PCM for streaming.",
voice_id=voice_id,
response_format="pcm",
)
Toto je formát pro hlasové asistenty v reálném čase, konverzační agenty a aplikace WebRTC.
FLAC: Bezztrátová komprese
FLAC zmenšuje velikost souboru o 50 % až 60 %, aniž by zasáhl jediný vzorek: kvalita je rigorózně totožná s WAV a zachováváš metadata. V praxi je to tvůj archivní formát: ulož si své master verze ve FLAC a roky poté můžeš regenerovat MP3 nebo Opus, aniž bys trpěl dvojitou kompresí, která zvuk degraduje. Vyžaduje však dekodér, takže není tak univerzální jako 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: Moderní kompromis
Opus je kodek navržený pro komunikaci v reálném čase, který poskytuje vynikající kvalitu při velmi nízkých datových tocích. V mobilní aplikaci běžící na nestabilní 4G síti dodá čistý hlas tam, kde by WAV zahltil připojení, a to s nízkou latencí streamování – vyšší než PCM, ale mnohem nižší než MP3. Kompatibilita je však nerovnoměrná: ne všechny přehrávače jej podporují nativně a některé vyžadují kontejner OGG.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Opus for efficient streaming.",
voice_id=voice_id,
response_format="opus",
)
Toto je volba pro VoIP, streamování s omezenou šířkou pásma a mobilní aplikace.
Rozhodnutí za jednu minutu
Při novém projektu se rozhoduj v tomto pořadí. Pokud realizuješ streamování v reálném čase, zvol PCM pro minimální latenci, nebo Opus, pokud záleží na šířce pásma stejně jako na odezvě. Jinak se zeptej, kde bude soubor přehráván: v prohlížeči garantuje MP3 maximální kompatibilitu. Pokud jej budeš později upravovat, WAV ti poskytne nejjednodušší materiál pro manipulaci. Pokud musí být archivován bez ztráty jediného decibelu, FLAC provede kompresi bez obětování čehokoli. A pokud je dominantním omezením pomalá síť, Opus nabízí nejlepší poměr kvality k velikosti.
Klíčové poznatky
- MP3 je výchozí volbou pro univerzální kompatibilitu
- PCM nabízí nejnižší latenci pro streamování v reálném čase (~0,7 s)
- WAV poskytuje nejlepší nekomprimovanou kvalitu, ideální pro postprodukci
- FLAC komprimuje bezztrátově – stejná kvalita jako WAV, menší soubory
- Opus je nejlepší kompromis mezi kvalitou a velikostí pro síťové aplikace