Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Základní generování řeči

Lekce 8 z 14 Aktualizováno 3. listopadu 2026 Vývojář
Na této stránce
  1. Tvá první generace hlasu
  2. Co řídí jednotlivé parametry
  3. Škálování: Kapitola audioknihy
  4. Když generování selže
  5. Klíčové poznatky

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 modelem voxtral-mini-tts-3-0. Předdefinované hlasy Voxtral 2 (gb_jane_neutral…) zůstávají podporovány; Voxtral 3 přidává značky [emotion=…] a [pace=…] přímo do textu, nastavení expressiveness, vlastní výslovnost (phoneme_hints) a podporu 35 jazyků. Mistral doporučuje po migraci znovu změřit latenci. Zdroje: Migrate from Voxtral 2 · Speech generation.

Tvá první generace hlasu

Nyní už víš, jak vytvořit hlas a spravovat ho prostřednictvím Voices API. Posledním krokem je udělat to, kvůli čemu jsi všechnu tu práci podnikl: vyprodukovat zvuk. Řečové API Mistralu se v podstatě redukuje na jediný volání, client.audio.speech.complete(), které přijímá text a ID hlasu a vrací zvuk zakódovaný v base64. Tato lekce pokrývá základní generování s uloženým hlasem; klonování za běhu a streamování přijdou na řadu příště.

Níže uvedený kód je vše, co potřebuješ k tomu, abys větu převedl na soubor MP3 na svém disku. Věnuj velkou pozornost poslednímu kroku: odpověď neobsahuje surová zvuková data, která bys mohl přímo použít, ale řetězec base64, který musíš před zápisem souboru dekódovat. To je klasická chyba začátečníků – uložení řetězce tak, jak je, způsobí, že audio přehrávače odmítnou soubor otevřít.

import base64
from pathlib import Path
from mistralai.client import Mistral

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

# Generování řeči s uloženým hlasem
response = client.audio.speech.complete(
    model="voxtral-mini-tts-3-0",
    input="Hello and welcome to this course on Voxtral TTS.",
    voice_id="your-voice-id",
    response_format="mp3",
)

# Dekódování base64 a uložení do souboru
audio_bytes = base64.b64decode(response.audio_data)
Path("output.mp3").write_bytes(audio_bytes)
print(f"Audio generated: {len(audio_bytes)} bytes")

Co řídí jednotlivé parametry

Parametr model určuje syntetizační model. K dnešnímu dni je k dispozici pouze voxtral-mini-tts-3-0, ale vždy jej specifikuj explicitně: až se objeví další modely, tvůj kód bude nadále produkovat přesně stejný hlas jako dnes.

Parametr input přijímá text k přečtení a je zdaleka nejnáročnější na pozornost. Dokumentace Voxtral 2 doporučovala držet se pod hranicí 300 slov na žádost; dokumentace Voxtral TTS 3 již limit nestanovuje, ale žádosti obsahující jeden odstavec se stále snáze kontrolují a přehrávají. Vyhně se emoji, která model nedokáže interpretovat, stejně jako složitému formátování – Markdown, HTML, speciální znaky – které skončí doslovně přečteno nahlas. Nakonec vždy vypisuj čísla a zkratky slovně: „dvacet tři“ místo „23“, „společnost s ručením omezeným“ místo „s. r. o.“. Hlasový agent, který zakopne o čísla při oznamování částky, ztratí důvěryhodnost během jediné věty.

voice_id identifikuje použitý hlas. Získáš ho třemi způsoby: vytvořením hlasu pomocí client.audio.voices.create() (viz lekce 5), výčtem svých stávajících hlasů pomocí client.audio.voices.list(), nebo opětovným použitím ID profesionálního hlasu od Mistralu. response_format konečně nastavuje výstupní formát mezi mp3, wav, pcm, flac a opus. Tato volba ovlivňuje jak velikost souboru, tak latenci a celá lekce 12 je věnována právě jí.

Škálování: Kapitola audioknihy

U mírně delších textů zůstává rozdělení nejlepší praxí. Princip je jednoduchý: připrav si seznam odstavců, každý z nich vygeneruj zvlášť a poté akumuluj dekódovaná data do jedné vyrovnávací paměti před zápisem finálního souboru.

import base64
from pathlib import Path
from mistralai.client import Mistral

client = Mistral(api_key="your-api-key")
voice_id = "your-voice-id"

# Text rozdělený na odstavce
paragraphs = [
    "First paragraph of the chapter. The narrator introduces the context.",
    "Second paragraph. The action begins to develop.",
    "Third paragraph. Suspense builds gradually.",
]

full_audio = b""

for i, text in enumerate(paragraphs):
    print(f"Generating segment {i + 1}/{len(paragraphs)}...")
    response = client.audio.speech.complete(
        model="voxtral-mini-tts-3-0",
        input=text,
        voice_id=voice_id,
        response_format="wav",
    )
    full_audio += base64.b64decode(response.audio_data)

Path("chapter-01.wav").write_bytes(full_audio)
print("Audio chapter generated successfully!")

Tento skript funguje, protože produkuje WAV, nekomprimovaný formát, jehož segmenty lze spojovat konec za konec bez speciálního zpracování. Zkus totéž s MP3 nebo Opus a výsledek bude nepoužitelný: tyto komprimované formáty obsahují hlavičky a struktury snímků, které surové zřetězení rozbije. Místo toho použij knihovnu jako pydub, která každý segment dekóduje před jejich čistým sloučením.

Když generování selže

V produkčním prostředí musíš toto volání chránit. voice_id smazané včera kolegou, text, který se potichu prodlužuje kvůli spojení polí, vyčerpaná kvóta API na konci měsíce, překlep ve výstupním formátu: každá z těchto situací vyvolá výjimku a bez ochranných mechanismů se tvé dávkové zpracování zastaví uprostřed korpusu.

try:
    response = client.audio.speech.complete(
        model="voxtral-mini-tts-3-0",
        input="Text to convert to speech.",
        voice_id=voice_id,
        response_format="mp3",
    )
    audio_bytes = base64.b64decode(response.audio_data)
    Path("output.mp3").write_bytes(audio_bytes)
except Exception as e:
    print(f"Error during generation: {e}")

Věnuj čas otestování této chybové cesty před nasazením do produkce: záměrně generuj s neplatným voice_id a ověř, že tvá aplikace tuto situaci jasně signalizuje, místo aby produkovala prázdný soubor.

Klíčové poznatky

  • Generování používá client.audio.speech.complete() s modelem voxtral-mini-tts-3-0
  • Dlouhé texty rozděluj na odstavce a vyhýbej se emoji a formátování
  • Pro správnou výslovnost vypisuj čísla a zkratky slovně
  • Vrácený zvuk je v base64 – před uložením jej dekóduj
  • U dlouhých textů rozděl obsah na segmenty a výsledky spojuj