Základní generování řeči
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 značky[emotion=…]a[pace=…]přímo do textu, nastaveníexpressiveness, 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 modelemvoxtral-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