Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Modely Voxtral TTS

Lekce 2 z 14 Aktualizováno 3. listopadu 2026 Vývojář
Na této stránce
  1. Voxtral Mini TTS: Referenční model
  2. Technické specifikace
  3. Předem integrované profesionální hlasy
  4. Otevřené váhy: Možnosti vlastního hostování
  5. Použití prostřednictvím Mistral API
  6. Vývojový plán (Roadmap)
  7. Klíčové poznatky

Kurz aktualizován 3. listopadu 2026 pro Voxtral TTS 3 na základě průvodce Migrate from Voxtral 2 a stránek Mistral Text to Speech: voxtral-mini-tts-2603, zastaralý k 31. říjnu 2026 a vyřazený k 30. dubnu 2027, je v příkladech nahrazen modelem voxtral-mini-tts-3-0. Předdefinované hlasy Voxtral 2 (gb_jane_neutral…) zůstávají podporovány; Voxtral 3 přidává do textu značky [emotion=…] a [pace=…], nastavení expressiveness, vlastní výslovnost (phoneme_hints) a podporu 35 jazyků. Mistral doporučuje po migraci znovu změřit latenci. Zdroje: Migrate from Voxtral 2 · Speech generation.

Voxtral Mini TTS: Referenční model

Syntetizačním modelem v rodině Voxtral je Voxtral TTS 3, identifikovaný v API jako voxtral-mini-tts-3-0 (alias voxtral-mini-tts-3). Toto je identifikátor (slug), který použiješ v každém volání API: zapamatuj si ho, protože je to jediný řetězec v tomto kurzu, který musíš znát nazpaměť. Model je navržen tak, aby nabízel optimální rovnováhu mezi kvalitou hlasu, latencí a náklady, což vysvětluje, proč sám o sobě pokrývá téměř všechny profesionální případy použití.

Voxtral Mini TTS je základní model pro hlas (voice foundation model). Tento rozdíl není jen kosmetický: starší systémy TTS rozdělovaly text na fonémy a skládaly je ze zvukové banky, což vedlo k trhaným hlasům, kde každá slabika působila nezávisle na té předchozí. Naproti tomu Voxtral generuje řeč díky tomu, že chápe sémantický kontext textu. U věty typu „On to neřekl“ model ví, kam umístit důraz, protože interpretoval strukturu věty, a vytváří tak přirozenou prozodii s konzistentní intonací od začátku do konce.

Technické specifikace

Model voxtral-mini-tts-3-0 má následující specifikace:

FunkceHodnota
Latence modeluPřibližně 90 milisekund před prvním zvukem
Jazyky35 jazyků a více než 50 dialektů; předdefinované hlasy ve 22 jazycích
Klonování hlasuZero-shot z nahrávky MP3 nebo WAV v délce od několika sekund do několika minut
Ovládání34 značek emocí, značky tempa, expressiveness, vlastní výslovnost
Výstupní formátyMP3 (výchozí), WAV, PCM, FLAC, Opus — mono, 24 kHz
StreamováníPodporováno v reálném čase
Cena k 3. listopadu 202613 $ za milion znaků

Těch 90 milisekund si zaslouží druhé zamyšlení: jde o prodlevu před tím, než je k dispozici první audio fragment, nikoli o celkovou dobu generování. U konverzačního asistenta právě toto konkrétní číslo určuje, zda bude výměna působit přirozeně, nebo pracně.

Předem integrované profesionální hlasy

Kromě klonování hlasu nabízí Mistral AI knihovnu profesionálních hlasů připravených k okamžitému použití. Tyto hlasy byly nahrány ve studiu a optimalizovány pro různé případy použití. Poskytují neocenitelnou službu na začátku projektu: pokud chceš ověřit, že tvé potrubí (pipeline) funguje, ještě než vůbec zorganizuješ nahrávací session se zvoleným hlasovým hercem, předem integrovaný hlas ti umožní vše otestovat ještě týž den.

V Mistral Studio, což je webové rozhraní, můžeš tyto hlasy prozkoumat a filtrovat je podle tří kritérií: pohlaví (mužské nebo ženské), hlavního jazyka hlasu a emoce, což znamená emocionální tón – neutrální, nadšený, klidný a tak dále. Každý z nich je přístupný prostřednictvím svého voice_id v API, přesně jako hlas, který jsi sám naklonoval: tvůj kód se při přepnutí z demonstračního hlasu na finální hlas nezmění ani o řádek.

Otevřené váhy: Možnosti vlastního hostování

Předchozí generace, Voxtral TTS (voxtral-mini-tts-2603), byla vydána se svými váhami – model s 4 miliardami parametrů na Hugging Face – pod licencí CC BY-NC 4.0. Nejde o licenci open source v obvyklém smyslu: zakazuje komerční využití. Umožňuje experimentování a prototypování na vlastní infrastruktuře bez toho, aby jakékoli vzorky hlasu opustily tvou síť, ale komerční produkt musí používat API nebo dosáhnout dohody s Mistral AI. K dnešnímu dni dokumentace Voxtral TTS 3 nezmiňuje žádné otevřené váhy.

Pro organizace podléhající omezením důvěrnosti – jako jsou poskytovatelé zdravotní péče nebo vládní agentury – tedy vyvstává otázka ve dvou částech: je použití komerční a pokrývá otevřený model požadované jazyky a kvalitu? Pokud ne, musíš prozkoumat smluvní závazky API (hostování, uchovávání dat).

Použití prostřednictvím Mistral API

Chceš-li používat Voxtral Mini TTS prostřednictvím API, musíš nejprve inicializovat klienta se svým API klíčem:

from mistralai.client import Mistral

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

Model je poté v každém volání generování odkazován svým identifikátorem voxtral-mini-tts-3-0. V nadcházejících lekcích uvidíš, jak vytvářet hlasy a generovat řeč; tento objekt client bude výchozím bodem pro všechny následující příklady.

Pokud preferuješ přístup bez kódování, Mistral Studio nabízí grafické rozhraní dostupné na studio.mistral.ai. Zde si můžeš poslechnout dostupné profesionální hlasy, nahrát svůj vlastní hlas přímo z prohlížeče, otestovat generování hlasu s různými texty a upravit parametry – jazyk, emoce, formát. Je to ideální nástroj pro prototypování: během deseti minut ověříš, zda hlas vyhovuje projektu, a teprve poté, co je rozhodnuto, přejdeš ke kódování.

Vývojový plán (Roadmap)

Mistral AI oznámil, že se k rodině Voxtral připojí další modely: lehčí modely pro vestavěné a mobilní aplikace, výkonnější modely pro expresivní generování hlasu a nepřetržité zlepšování mnohojazyčné kvality. Navrhni proto své integrace tak, aby byl název modelu izolován v konfigurační proměnné, místo aby byl rozptýlen po celém kódu – až přijde nástupce, migrace bude stát jen jeden řádek. Do té doby zůstává voxtral-mini-tts-3-0 referencí a pokrývá drtivou většinu profesionálních případů použití.

Klíčové poznatky

  • Primárním modelem je voxtral-mini-tts-3-0, optimalizovaný pro kvalitu a latenci
  • Předem integrované profesionální hlasy jsou k dispozici pro začátek bez nutnosti audio vzorku
  • Předchozí model má otevřené váhy a lze jej hostovat samostatně (nekomerční použití)
  • Mistral Studio nabízí grafické rozhraní pro testování bez kódování
  • Mistral API a Python SDK jsou vstupními body pro integraci