Vytvoření vlastního hlasu
Na této stránce
Kurz aktualizován 3. listopadu 2026 pro Voxtral TTS 3 na základě průvodce Migrate from Voxtral 2 a stránek Mistralu Text to Speech:
voxtral-mini-tts-2603, zastaralý od 31. října 2026 a vyřazený 30. dubna 2027, je v příkladech nahrazen modelemvoxtral-mini-tts-3-0. Předdefinované hlasy Voxtral 2 (gb_jane_neutral…) zůstávají podporovány; Voxtral 3 přidává do textu značky[emotion=…]a[pace=…], nastaveníexpressiveness, vlastní výslovnost (phoneme_hints) a podporu 35 jazyků. Mistral doporučuje po migraci znovu změřit latenci. Zdroje: Migrate from Voxtral 2 · Speech generation.
Od nahrávky ke klonovanému hlasu
Vytvoření vlastního hlasu pomocí Voxtralu se redukuje na dva kroky: připravíš kvalitní audio ukázku a poté ji odešleš API se správnými parametry. Druhý krok zabere deset minut; ten první si zaslouží větší pozornost, protože přímo určuje výsledek. Tento kurz tě provede vytvořením tvého prvního hlasu.
Příprava audio ukázky
Audio ukázka je základem tvého hlasu: její kvalita přímo určuje kvalitu syntetizované řeči. Model nic neopravuje; pouze reprodukuje to, co slyší.
Dokumentace pro Voxtral TTS 3 požaduje nahrávku ve formátu MP3 nebo WAV v délce několika sekund až několika minut (Voxtral 2 přijímal 3 až 30 sekund). V praxi rozeznáváme tři režimy. Mezi 3 a 10 sekundami model zachytí základní barvu hlasu, ale s menším množstvím nuancí: hlas bude rozpoznatelný, ale nebude zcela živý. Mezi 10 a 20 sekundami získáš dobrý kompromis mezi kvalitou a jednoduchostí, což pro většinu projektů stačí. Nad 20 sekund poskytneš modelu dostatek materiálu k pochopení jemností – rytmu, intonace, oněch mikrovariací, díky kterým tě přítel pozná podle dvou slov.
Zbývá otázka, co říct, což je problém, který zdržuje více lidí, než bys čekal, když přijde čas na nahrávání. Zde je referenční text doporučený Mistralem:
„Nahrávám audio ukázku pro klonování svého hlasu. Jakmile skončím, budu moci generovat řeč, která zní jako já. Je neuvěřitelné, jak dokáže AI zachytit můj způsob mluvení, můj tón, můj rytmus a dokonce i malé zvláštnosti, které dělají můj hlas jedinečným.”
Tento text není náhodný: je navržen tak, aby pokryl různé zvuky a intonace v angličtině, včetně otevřených a zavřených samohlásek, explozivních souhlásek a věty s vykřičníkem. Co se týče souboru, API přijímá běžné formáty – MP3, WAV, FLAC, OGG – a soubor je před odesláním zakódován do formátu base64.
Kompletní kód v Pythonu
Zde je kód pro vytvoření hlasu se všemi dostupnými parametry:
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}")
Pouze dva parametry jsou povinné:
name: zobrazovaný název tvého hlasu. Vyber popisný název, podle kterého jej snadno identifikuješ (např.support-assistant-en,podcast-intro)sample_audio: audio ukázka zakódovaná v base64. Toto je jediný parametr, který nelze po vytvoření změnit
Ostatní parametry jsou volitelné, ale každý slouží konkrétnímu účelu:
sample_filename: původní název souboru. Pomáhá API detekovat formát audiaslug: identifikátor vhodný pro URL. Pokud je vynechán, je automaticky vygenerován z názvulanguages: pole kódů jazyků ISO (např.["en", "fr", "es"]). Udává jazyky, pro které je tento hlas optimalizovángender:"male"nebo"female". Používá se pro filtrování v rozhraníage: celé číslo představující přibližný věk mluvčího. Pomáhá kategorizovat hlastags: pole libovolných řetězců pro organizaci tvých hlasů (např.["commercial", "dynamic"])
U projektu s jedním hlasem můžeš mít chuť vše ostatní vynechat. U katalogu třiceti hlasů rozdělených mezi více klienty ti však tagy a jazyky specifikované při vytvoření ušetří hodiny třídění.
Nahrávání z prohlížeče
Pokud nechceš pracovat s audio soubory, Mistral Studio ti umožňuje nahrávat přímo z prohlížeče:
- Přejdi do sekce Audio > Text to Speech
- Klikni na My Voices a poté na Add a new voice
- Zadej název svého hlasu
- Klikni na tlačítko nahrávání a mluv po dobu 10 až 30 sekund
- Potvrď – tvůj hlas je okamžitě k dispozici
Tato metoda funguje perfektně pro rychlé testy nebo když osoba, která propůjčuje svůj hlas, není tou, která píše kód – herec nebo manažer bude ochotnější cvičení absolvovat v prohlížeči než v terminálu.
Ověření svého hlasu
Nikdy nepokračuj dál, aniž bys si výsledek poslechl. Jakmile je vytvoření dokončeno, vygeneruj testovací větu:
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!")
Poslouchej na sluchátkách, nikoliv na reproduktorech notebooku: defekty v barvě hlasu jsou tam neslyšitelné. Pokud tě výsledek neuspokojí, vytvoř nový hlas s lepší ukázkou, místo abys používal tu stejnou – API stejně neumožňuje nahradit audio existujícího hlasu a trvání na špatné nahrávce pouze oddálí řešení problému.
Klíčové poznatky
- Nahrávka (MP3 nebo WAV) může trvat od několika sekund do několika minut; cíl na alespoň 10 až 20 sekund pestré řeči
- Audio soubor je před odesláním do API zakódován do formátu base64
- Parametry
nameasample_audiojsou povinné; ostatní jsou volitelné - Mistral Studio umožňuje nahrávat přímo z prohlížeče
- Vždy si svůj hlas ihned po vytvoření otestuj