Lydformater
På denne side
Kurset opdateret 3. november 2026 til Voxtral TTS 3, baseret på guiden Migrate from Voxtral 2 og Mistrals sider om Text to Speech:
voxtral-mini-tts-2603, som blev udfaset 31. oktober 2026 og fjernet 30. april 2027, erstattes i eksemplerne afvoxtral-mini-tts-3-0. Voxtral 2’s foruddefinerede stemmer (gb_jane_neutral…) accepteres stadig; Voxtral 3 tilføjer[emotion=…]- og[pace=…]-tags i teksten, indstillingenexpressiveness, brugerdefineret udtale (phoneme_hints) samt support for 35 sprog. Mistral anbefaler, at du genmåler ventetiden efter migrationen. Kilder: Migrate from Voxtral 2 · Speech generation.
Valg af det rigtige outputformat
Parameteren response_format accepterer fem værdier. Dette valg på én linje betyder langt mere, end det umiddelbart ser ud til: Det afgør lydkvaliteten, størrelsen på de filer, du gemmer, den ventetid dine brugere oplever, og kompatibiliteten med deres afspillere. En podcast leveret i PCM vil være umulig at afspille for halvdelen af dit publikum; en voice-agent i MP3 vil halte to sekunder bagud for hvert svar. Tabellen nedenfor giver overblikket, og resten af denne lektion forklarer, hvornår du skal bruge hvert format.
| Format | Komprimering | Kvalitet | Streaming-ventetid | Primært anvendelsesområde |
|---|---|---|---|---|
| MP3 | Med tab (Lossy) | God | ~2 sekunder | Generel brug, filer |
| WAV | Ingen (PCM) | Maksimal | Mellem | Efterbehandling, lydbøger |
| PCM | Ingen (rå) | Maksimal | ~0,7 sekunder | Streaming i realtid |
| FLAC | Uden tab (Lossless) | Maksimal | Mellem | Arkivering, professionel kvalitet |
| Opus | Med tab (Lossy) | Meget god | Lav | Streaming, VoIP, begrænset båndbredde |
Ventetiderne i denne tabel er grove størrelsesordener målt med Voxtral 2; du skal genmåle dem med Voxtral TTS 3, som i alle tilfælde producerer mono-lyd ved 24 kHz.
MP3: Den universelle standard
MP3 forbliver det mest udbredte format: Alle browsere, telefoner og afspillere læser det nativt, og det indeholder de ID3-metadata, som podcast-platforme kræver. Komprimeringen er med tab, så kvaliteten er lidt lavere end WAV, men forskellen er sjældent hørbar ved tale. Den egentlige ulempe ligger et andet sted: Ved streaming skal codec’en akkumulere data, før den kan producere sin første frame, hvilket forsinker den første lyd med cirka to sekunder. Vælg dette format til filer, der skal downloades, podcasts eller standard web-integration – aldrig til samtalebrug.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="An MP3 file for standard use.",
voice_id=voice_id,
response_format="mp3",
)
WAV: Maksimal kvalitet
WAV indeholder ukomprimeret PCM-lyd og leverer den bedst mulige kvalitet uden tab. Da der ikke er noget at dekode, og alle lydredigeringsprogrammer genkender formatet, er det det naturlige udgangspunkt for enhver kæde til efterbehandling: Du redigerer, equalizer og komprimerer, og eksporterer derefter til dit ønskede distributionsformat. Afvejningen er filstørrelsen – cirka ti gange større end en MP3 – og de tilsvarende krav til båndbredde.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="A WAV file for the best quality.",
voice_id=voice_id,
response_format="wav",
)
Reservér det til lydbøger i studiekvalitet, arkivering og alt, hvad du planlægger at redigere senere.
PCM: Formatet til realtid
PCM (Pulse Code Modulation) er rå Float32 Little-Endian-lyd uden header eller indkapsling. Denne blottethed er både dets styrke og dets svaghed. Styrken: Intet skal kodas eller dekodes, den første lyd ankommer på cirka 0,7 sekunder, og modtagne bytes kan skrives direkte til lydkortet. Svagheden: Uden en header skal du selv kende og transmittere sample rate og format – netop derfor deklarerede pyaudio-eksemplet i lektion 10 eksplicit paFloat32, én kanal og 24.000 Hz. Filerne er også meget store, og ingen consumer-afspillere åbner dem direkte.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Raw PCM for streaming.",
voice_id=voice_id,
response_format="pcm",
)
Dette er formatet til voice-assistenter i realtid, samtale-agenter og WebRTC-applikationer.
FLAC: Komprimering uden tab
FLAC reducerer filstørrelsen med 50 % til 60 % uden at røre en eneste sample: Kvaliteten er strengt identisk med WAV, og du beholder metadata. I praksis er dette dit arkiveringsformat: Gem dine mastere i FLAC, så kan du regenerere en MP3 eller Opus år senere uden at lide under den dobbelte komprimering, der forringer lyden. Det kræver dog en decoder, hvilket gør det mindre universelt end MP3.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="FLAC for lossless archiving.",
voice_id=voice_id,
response_format="flac",
)
Opus: Det moderne kompromis
Opus er en codec designet til kommunikation i realtid, der leverer fremragende kvalitet ved meget lave bitrates. På en mobilapp, der kører på et forringet 4G-netværk, leverer den klar tale, hvor WAV ville mætte forbindelsen, med lav streaming-ventetid – højere end PCM, men langt lavere end MP3. Kompatibiliteten er dog ujævn: Ikke alle afspillere understøtter det nativt, og nogle kræver en OGG-container.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Opus for efficient streaming.",
voice_id=voice_id,
response_format="opus",
)
Dette er valget til VoIP, streaming med begrænset båndbredde og mobile applikationer.
Beslutningen på ét minut
Når du står over for et nyt projekt, skal du beslutte i denne rækkefølge. Hvis du laver streaming i realtid, skal du vælge PCM for minimal ventetid eller Opus, hvis båndbredde er lige så vigtig som responsivitet. Ellers skal du spørge dig selv, hvor filen skal afspilles: I en browser garanterer MP3 maksimal kompatibilitet. Hvis den skal redigeres senere, giver WAV dig det nemmeste materiale at manipulere. Hvis den skal arkiveres uden at miste et eneste decibel, komprimerer FLAC uden at ofre noget. Og hvis den dominerende begrænsning er et langsomt netværk, tilbyder Opus det bedste forhold mellem kvalitet og størrelse.
Vigtige pointer
- MP3 er standardvalget til universel kompatibilitet
- PCM tilbyder den laveste ventetid til streaming i realtid (~0,7 s)
- WAV giver den bedste ukomprimerede kvalitet, ideel til efterbehandling
- FLAC komprimerer uden tab – samme kvalitet som WAV, mindre filer
- Opus er det bedste kompromis mellem kvalitet og størrelse til netværksapplikationer