Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Voxtral TTS-modeller

Lektion 2 af 14 Opdateret 3. november 2026 Udvikler
På denne side
  1. Voxtral Mini TTS: Referencemodellen
  2. Tekniske specifikationer
  3. Forudintegrerede professionelle stemmer
  4. Åbne vægte: Muligheder for selvhosting
  5. Brug via Mistral API
  6. Roadmap og udvikling
  7. Vigtige pointer

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, der blev udfaset 31. oktober 2026 og trukket tilbage 30. april 2027, erstattes i eksemplerne af voxtral-mini-tts-3-0. Voxtral 2’s foruddefinerede stemmer (gb_jane_neutral…) understøttes fortsat; Voxtral 3 tilføjer [emotion=…]- og [pace=…]-tags i teksten, indstillingen expressiveness, brugerdefineret udtale (phoneme_hints) samt support for 35 sprog. Mistral anbefaler, at du genmåler ventetiden efter migrationen. Kilder: Migrate from Voxtral 2 · Speech generation.

Voxtral Mini TTS: Referencemodellen

Syntesemodellen i Voxtral-familien er Voxtral TTS 3, identificeret i API’en som voxtral-mini-tts-3-0 (alias voxtral-mini-tts-3). Dette er det slug, du skal skrive i hvert eneste API-kald: husk det, for det er den eneste streng i dette kursus, du skal kunne udenad. Modellen er designet til at tilbyde en optimal balance mellem stemmekvalitet, ventetid og omkostninger, hvilket forklarer, hvorfor den alene dækker næsten alle professionelle brugssager.

Voxtral Mini TTS er en grundlæggende stemmemodel. Denne sondring er ikke blot kosmetisk: ældre TTS-systemer hakkede tekst op i fonemer og sammensatte dem fra en lydbank, hvilket resulterede i hakkede stemmer, hvor hver stavelse virkede uafhængig af den foregående. Voxtral genererer derimod tale ved at forstå tekstens semantiske kontekst. I en sætning som „He didn’t say that” ved modellen, hvor den skal lægge vægten, fordi den har fortolket sætningsstrukturen, hvilket producerer en naturlig prosodi med konsistent intonation fra start til slut.

Tekniske specifikationer

Modellen voxtral-mini-tts-3-0 har følgende specifikationer:

FunktionVærdi
ModelventetidCa. 90 millisekunder før den første lyd
Sprog35 sprog og over 50 dialekter; foruddefinerede stemmer på 22 sprog
StemmekloningZero-shot fra en MP3- eller WAV-optagelse på få sekunder til få minutter
Kontrol34 emotion-tags, pace-tags, expressiveness, brugerdefineret udtale
Output-formaterMP3 (standard), WAV, PCM, FLAC, Opus — mono, 24 kHz
StreamingUnderstøttet i realtid
Pris pr. 3. november 2026$13 per million tegn

De 90 millisekunder fortjener en ekstra tanke: dette er forsinkelsen, før det første lydfragment bliver tilgængeligt, ikke den samlede genereringstid. I en samtaleassistent er det netop dette tal, der afgør, om udvekslingen føles naturlig eller besværlig.

Forudintegrerede professionelle stemmer

Ud over stemmekloning tilbyder Mistral AI et bibliotek med professionelle stemmer, der er klar til øjeblikkelig brug. Disse stemmer er optaget i et studie og optimeret til forskellige brugssager. De yder uvurderlig tjeneste i starten af et projekt: Hvis du vil verificere, at din pipeline fungerer, før du overhovedet organiserer en optagelsessession med din valgte stemmeskuespiller, lader en forudintegreret stemme dig teste det hele samme dag.

I Mistral Studio, webgrænsefladen, kan du udforske disse stemmer og filtrere dem efter tre kriterier: køn (mandlig eller kvindelig), stemmens primære sprog og emotion, dvs. den følelsesmæssige tone – neutral, entusiastisk, rolig og så videre. Hver enkelt er tilgængelig via sit voice_id i API’en, præcis som en stemme, du selv har klonet: Din kode ændrer ikke en eneste linje, når du skifter fra demo-stemmen til den endelige stemme.

Åbne vægte: Muligheder for selvhosting

Den tidligere generation, Voxtral TTS (voxtral-mini-tts-2603), blev udgivet med sine vægte – en model med 4 milliarder parametre på Hugging Face – under licensen CC BY-NC 4.0. Dette er ikke en open source-licens i sædvanlig forstand: Den forbyder kommerciel brug. Den tillader eksperimentering og prototyping på din egen infrastruktur uden, at nogen stemmeprøver forlader dit netværk, men et kommercielt produkt skal bruge API’en eller indgå en aftale med Mistral AI. Pr. i dag nævner dokumentationen for Voxtral TTS 3 ingen åbne vægte.

For organisationer underlagt fortrolighedskrav – såsom en sundhedsudbyder eller en statslig myndighed – rejser spørgsmålet sig derfor i to dele: Er brugen kommerciel, og dækker den åbne model de krævede sprog og den nødvendige kvalitet? Hvis ikke, skal du undersøge API’ens kontraktmæssige forpligtelser (hosting, dataopbevaring).

Brug via Mistral API

For at bruge Voxtral Mini TTS via API’en skal du først initialisere klienten med din API-nøgle:

from mistralai.client import Mistral

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

Modellen refereres derefter med sit identifikator voxtral-mini-tts-3-0 i hvert genereringskald. I de kommende lektioner vil du se, hvordan du opretter stemmer og genererer tale; dette client-objekt vil være udgangspunktet for alle følgende eksempler.

Hvis du foretrækker en no-code-tilgang, tilbyder Mistral Studio en grafisk grænseflade, der er tilgængelig på studio.mistral.ai. Her kan du lytte til tilgængelige professionelle stemmer, optage din egen stemme direkte fra browseren, teste stemmegenerering med forskellige tekster og justere parametre – sprog, emotion, format. Det er det ideelle prototyping-værktøj: Valider på ti minutter, at en stemme passer til projektet, og gå derefter videre til kode, når beslutningen er truffet.

Roadmap og udvikling

Mistral AI har annonceret, at andre modeller vil slutte sig til Voxtral-familien: lettere modeller til indlejrede og mobile applikationer, mere kraftfulde modeller til ekspressiv stemmegenerering og løbende forbedringer af flersproget kvalitet. Design derfor dine integrationer ved at isolere modelnavnet i en konfigurationsvariabel i stedet for at sprede det gennem hele din kode – den dag en efterfølger ankommer, vil migrationen kun tage én linje. Indtil da forbliver voxtral-mini-tts-3-0 referencen og dækker langt de fleste professionelle brugssager.

Vigtige pointer

  • Den primære model er voxtral-mini-tts-3-0, optimeret til kvalitet og ventetid
  • Forudintegrerede professionelle stemmer er tilgængelige for at komme i gang uden en lydprøve
  • Den tidligere model har åbne vægte og kan selvhostes (ikke-kommercielt)
  • Mistral Studio tilbyder en grafisk grænseflade til no-code-test
  • Mistral API og Python SDK er indgangspunkterne for integration