Tekst-til-tale og tilpassede stemmer med Voxtral TTS
På denne side
Opdatering 2. november 2026 — Le Chat er nu Vibe. Fra den 28. maj 2026 er Le Chat blevet omdøbt til Vibe (stadig på chat.mistral.ai): en enkelt agent til arbejde og kode, der viderefører dine samtaler, indstillinger og abonnementer. Den oprindelige Le Chat-oplevelse forbliver tilgængelig i Chat-tilstand; i Work-tilstand er agenter blevet til færdigheder (kaldes med
@), minder fungerer som vidensbase, og dyb søgning er nu færdigheden Deep Research. Abonnementerne hedder nu Mistral Free, Pro, Team og Enterprise. Denne lektion bruger navnet Vibe; bemærk, at nogle menuer beskrevet her kan have ændret navn eller placering.
Giv din tekst en stemme
Tekst-til-tale (TTS) er den nøjagtige modsætning til den transskription, du har studeret i tidligere lektioner: I stedet for at omdanne tale til tekst, transformerer den tekst til tale. Med Voxtral TTS leverer Mistral en bemærkelsesværdig syntesekvalitet, der er i stand til at gengive naturlige intonationer, formidle følelser og endda klone din egen stemme. Dette sidste punkt fortjener opmærksomhed, fordi det ændrer opgavens natur: Du vælger ikke længere bare en stemme fra en katalog; du kan skabe din egen.
I Vibe er tekst-til-tale integreret sømløst: Assistenten kan læse sine svar højt med en naturlig og udtryksfuld stemme. Afhængigt af dine indstillinger og platform udløses denne afspilning automatisk i taletilstand eller på forespørgsel. Forestil dig, at du laver mad, mens Vibe opsummerer en lang artikel for dig: Du lytter til resuméet i stedet for at læse skærmen og har dermed hænderne fri. Vibe tilbyder flere professionelle stemmer, der varierer efter køn (mandlig eller kvindelig), sprog (hver stemme er optimeret til ét eller flere sprog) og toneleje, hvor nogle stemmer lyder varmere og andre mere neutrale eller formelle. Den bedste fremgangsmåde er at teste to eller tre stemmer på den samme tekst: En varm stemme passer til fortælling, mens en neutral stemme passer til institutionelt indhold.
Zero-shot stemmekloning
Den mest imponerende funktion ved Voxtral TTS er zero-shot stemmekloning: Ud fra blot 2 til 3 sekunders optagelse af din stemme kan modellen generere tale, der lyder som dig. “Zero-shot” betyder, at der ikke kræves nogen langvarig træning – en simpel prøve er nok, hvorimod tidligere teknologier krævede timer i studiet. Modellen fanger klangfarven, rytmen og de unikke karakteristika ved din tale og producerer ofte et slående præcist resultat.
Du opretter disse stemmer i Mistral AI Studio, Mistrals avancerede grænseflade, i fire trin:
- Gå til sektionen Audio > Text to Speech
- Klik på “My Voices” og derefter “Add New Voice”
- Navngiv din stemme og optag en prøve – enten ved at uploade en lydfil eller optage direkte via din mikrofon
- Brug din klonede stemme til at generere tale fra enhver tekst
Et centralt begreb at forstå er princippet om “Voice-as-an-instruction”. Modellen reproducerer ikke kun klangfarven i referencestemmen; den efterligner også følelsen og intonationen. Hvis din prøve er energisk og entusiastisk, vil den genererede stemme også være det; hvis du taler roligt og bevidst, vil syntesen adoptere samme leje. I praksis giver dette dig en uventet justeringsmulighed: For at få dynamisk fortælling skal du optage din prøve med energi; til en rolig dokumentarstemme skal du optage dig selv, mens du læser langsomt op. Du påvirker output-tonen simpelthen ved måden, du optager dig selv på.
Omfattende flersprogede evner
Voxtral TTS understøtter mere end 9 sprog: Engelsk, fransk, spansk, portugisisk, italiensk, hollandsk, tysk, hindi og arabisk. Men den virkelige værdi ligger i to avancerede funktioner. Den første er tværsproglig kloning: Du kan bruge en stemmeprøve på ét sprog og generere tale på et andet, mens du beholder de oprindelige stemmekarakteristika. En fransk prøve kan således generere engelsk tale – med talerens naturlige franske accent, hvilket gør resultatet troværdigt og personligt. Overvej en fransktalende instruktør, der ønsker at tilbyde en engelsk version af deres e-læringsmodul i deres egen stemme: Dette er netop dette brugstilfælde.
Den anden funktion er code-mixing: Modellen håndterer naturligt tekst, der blander flere sprog. Hvis din tekst skifter mellem franske og engelske passager – f.eks. en præsentation fyldt med engelske fagtermer – vil stemmen skifte mellem dem uden at miste tråden.
Perfektionering af din klon og tekst
Outputkvaliteten afhænger direkte af inputkvaliteten. Til stemmeprøven bør du sigte efter en ren optagelse på 3 til 30 sekunder uden baggrundsstøj: Ingen musik, ingen snak, kun din stemme. Tal naturligt og med udtryk – en flad, monoton optagelse vil give en robotagtig stemme. Undgå fyldord som “øh”, “äh” eller andre tøven, da modellen vil integrere dem i din vokale signatur. Endelig skal du for bedste resultater optage på samme sprog som målteksten, selvom tværsproglig kloning også fungerer.
Teksten, der skal syntetiseres, kræver også lidt forberedelse. Skriv tal ud i fuld længde – “tre tusind to hundrede” i stedet for “3200” – og udvid forkortelser ved at bruge “Hr.” i stedet for “Hr.”, for at undgå fejlagtig udtale. Forvis emojis og kompleks formatering, da disse ikke har nogen oral modpart. Hold dig under 300 ord pr. anmodning for optimal kvalitet: Opdel lange dokumenter i flere afsnit.
Praktiske brugstilfælde er mange: Generer professionelle voiceovers til dine videoer uden et studie, gør dine artikler tilgængelige for synshandicappede brugere, lav prototyper på forskellige stemmer til en virtuel assistent før integration, omdan skriftligt materiale til lydkurser til e-læring, eller producer fortællinger til dit indhold på TikTok og Instagram.
Vigtige pointer
- Voxtral TTS transformerer tekst til naturlig tale på mere end 9 sprog
- Stemmekloning fungerer med blot 2-3 sekunders optagelse
- Følelsen og intonationen i referenceprøven påvirker den genererede stemme
- Tværsproglig kloning lader dig tale et andet sprog med din egen stemme
- For succesfuld kloning: Ren, naturlig optagelse mellem 3 og 30 sekunder