Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Klonování hlasu za běhu

Lekce 9 z 14 Aktualizováno 3. listopadu 2026 Vývojář
Na této stránce
  1. Klonování bez ukládání
  2. Tři scénáře, kde tento přístup vyniká
  3. voice_id vs. ref_audio: Rozdíly
  4. Kombinace obou přístupů
  5. Klíčové poznatky

Kurz aktualizován 3. listopadu 2026 pro Voxtral TTS 3 na základě průvodce Migrace z Voxtral 2 a stránek Mistralu Text to Speech: model 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: Migrace z Voxtral 2 · Generování řeči.

Klonování bez ukládání

Předchozí lekce spoléhala na uložený hlas, který byl předem vytvořen prostřednictvím Voices API a odkazován pomocí svého voice_id. Voxtral nabízí druhou cestu: klonování za běhu (on-the-fly), kdy referenční audio poskytneš přímo v požadavku na generování. Ve tvém účtu se nevytvoří žádný objekt: ukázka slouží pouze pro tento konkrétní požadavek a následně je zahoděna.

V praxi nahradíš voice_id parametrem ref_audio, který očekává audio ukázku zakódovanou v base64. Zbytek volání zůstává nezměněn.

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

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

# Zakódování referenčního audia
ref_audio_b64 = base64.b64encode(
    Path("reference.mp3").read_bytes()
).decode()

# Generování s klonováním za běhu
response = client.audio.speech.complete(
    model="voxtral-mini-tts-3-0",
    input="Tato řeč bude připomínat referenční hlas.",
    ref_audio=ref_audio_b64,
    response_format="wav",
)

audio_bytes = base64.b64decode(response.audio_data)
Path("cloned-output.wav").write_bytes(audio_bytes)
print("Audio vygenerováno s klonováním za běhu!")

Tři scénáře, kde tento přístup vyniká

Prvním je prototypování. Když hledáš tu správnou referenční ukázku, můžeš jich vyzkoušet deset, patnáct nebo i více. Vytvoření tolika hlasů ve tvém účtu by znamenalo, že je budeš muset později jeden po druhém hledat a mazat. Díky ref_audio nezanechává tvůj testovací cyklus na serveru žádné stopy, což ti umožňuje porovnávat výstupy prostým poslechem vytvořených souborů.

# Rychlé testování více ukázek
samples = ["sample1.mp3", "sample2.mp3", "sample3.mp3"]

for file in samples:
    ref_b64 = base64.b64encode(Path(file).read_bytes()).decode()
    response = client.audio.speech.complete(
        model="voxtral-mini-tts-3-0",
        input="Toto je test kvality hlasu.",
        ref_audio=ref_b64,
        response_format="mp3",
    )
    output = f"test-{Path(file).stem}.mp3"
    Path(output).write_bytes(base64.b64decode(response.audio_data))
    print(f"Vygenerováno: {output}")

Druhým scénářem je příležitostné použití. Personalizované přání k narozeninám využívající hlas blízké osoby nebo demo pro klienta připravené na specifickou schůzku: pokud bude hlas použit pouze jednou, není důvod jej trvale instalovat do tvého účtu.

Třetím je důvěrnost. Referenční audio odeslané přes ref_audio není na serveru uloženo. Pokud pracuješ s hlasem pacienta, svědka nebo vedoucího pracovníka, není tento rozdíl jen kosmetický: mění to, co musíš deklarovat v registru zpracování, a co potřebuješ smazat v případě žádosti o výmaz.

voice_id vs. ref_audio: Rozdíly

Kritériumvoice_idref_audio
PerzistenceHlas uložen v účtuŽádná perzistence
Opakované použitíNeomezenéPouze pro daný požadavek
LatenceMírně rychlejší (hlas již zpracován)Mírně pomalejší (zpracování při každém volání)
SprávaPlné CRUD (úprava, mazání)Nic ke správě
Náklady na síťPouze voice_id (několik bajtů)Celé audio při každém požadavku
DůvěrnostAudio uloženo v clouduAudio není uloženo

Pravidlo pro rozhodování se redukuje na četnost použití. Hlas používaný každý den – například vypravěč aplikace nebo mluvčí značky – si zaslouží být vytvořen pomocí client.audio.voices.create(): ušetříš šířku pásma potřebnou k odesílání ukázky při každém volání a získáš čas ušetřený na zpracování reference. Hlas, který testuješ nebo použiješ pouze jednou, by měl projít přes ref_audio, takže ti nezbyde nic, co bys musel čistit.

Kombinace obou přístupů

Tyto dvě metody se navzájem nevylučují; nejefektivnější pracovní postup je řadí za sebe. Nejprve najdi správnou ukázku pomocí ref_audio a poslechni si každý výsledek. Jakmile tě některý kandidát uspokojí, znovu použij stejný řetězec base64 – který již máš v paměti – k vytvoření finálního hlasu, včetně jeho jména, jazyků a pohlaví.

# Fáze 1: Rychlý test s ref_audio
ref_b64 = base64.b64encode(Path("my-voice.mp3").read_bytes()).decode()
response = client.audio.speech.complete(
    model="voxtral-mini-tts-3-0",
    input="Test kvality.",
    ref_audio=ref_b64,
    response_format="mp3",
)
# Poslechni si výsledek...

# Fáze 2: Jsi spokojen? Ulož hlas.
voice = client.audio.voices.create(
    name="my-validated-voice",
    sample_audio=ref_b64,
    sample_filename="my-voice.mp3",
    languages=["fr"],
    gender="male",
)
print(f"Hlas uložen: {voice.id}")

Procvič si to se třemi nahrávkami vlastního hlasu pořízenými za tří různých podmínek – mikrofon na sluchátkách, telefon, místnost s ozvěnou. Vygeneruj stejnou větu s každou z nich pomocí ref_audio, poslechni si je a poté ulož pouze vítěze. Během deseti minut se naučíš, co odlišuje dobrou ukázku od špatné, aniž bys za sebou nechal tři nepoužitelné hlasy.

Klíčové poznatky

  • Parametr ref_audio ti umožňuje klonovat hlas bez jeho ukládání
  • Referenční audio je zakódováno v base64 a odesláno přímo v požadavku
  • Klonování za běhu je ideální pro testování, příležitostné použití a zachování důvěrnosti
  • Pro pravidelné použití upřednostni uložený hlas (nižší latence, menší šířka pásma)
  • Můžeš testovat pomocí ref_audio a hlas uložit až poté, co budeš spokojen