Opret en tilpasset stemme
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, deprecieret 31. oktober 2026 og udfaset 30. april 2027, erstattes i eksempler medvoxtral-mini-tts-3-0. Voxtral 2’s foruddefinerede stemmer (gb_jane_neutral…) accepteres stadig; Voxtral 3 tilføjer[emotion=…]- og[pace=…]-tags i teksten, indstillingenexpressiveness, tilpasset udtale (phoneme_hints) og 35 sprog. Mistral anbefaler at genmåle ventetiden efter migration. Kilder: Migrate from Voxtral 2 · Speech generation.
Fra optagelse til klonet stemme
At skabe en tilpasset stemme med Voxtral boils ned til to trin: forbered en lydprøve i høj kvalitet, og send den derefter til API’en med de rigtige parametre. Det andet trin tager ti minutter; det første fortjener mere opmærksomhed, fordi det afgør resultatet. Denne lektion guider dig gennem skabelsen af din første stemme.
Forbered din lydprøve
Lydprøven er fundamentet for din stemme: dens kvalitet bestemmer direkte kvaliteten af den syntetiserede tale. Modellen retter ikke noget; den reproducerer det, den hører.
Med Voxtral TTS 3 kræver dokumentationen en MP3- eller WAV-optagelse på nogle få sekunder til nogle få minutter (Voxtral 2 accepterede 3 til 30 sekunder). I praksis skiller tre regimer sig ud. Mellem 3 og 10 sekunder fanger modellen den grundlæggende klangfarve, men med færre nuancer: stemmen vil være genkendelig uden at være virkelig livagtig. Mellem 10 og 20 sekunder får du et godt kompromis mellem kvalitet og enkelhed, hvilket er tilstrækkeligt til de fleste projekter. Ud over 20 sekunder giver du modellen nok materiale til at gribe finesser – rytme, intonation, de mikroverskift, der får en ven til at genkende dig på to ord.
Det tilbageværende spørgsmål er, hvad man skal sige, et problem der bremser flere, end du måske tror, når det er tid til at trykke på optag. Her er et referencemanuskript, som Mistral anbefaler:
„Jeg optager en lydprøve for at klone min stemme. Når jeg er færdig, vil jeg kunne generere tale, der lyder som mig. Det er utroligt, hvordan AI kan fange min måde at tale på, min tone, min rytme og endda de små særpræg, der gør min stemme unik.”
Denne tekst er ikke vilkårlig: den er designet til at dække en række lyde og intonationer på engelsk, med åbne og lukkede vokaler, plosive konsonanter og en udbrudssætning. Hvad angår filen, accepterer API’en almindelige formater – MP3, WAV, FLAC, OGG – og filen base64-kodes, før den sendes.
Komplet Python-kode
Her er koden til at oprette en stemme med alle tilgængelige parametre:
import base64
from pathlib import Path
from mistralai.client import Mistral
client = Mistral(api_key="your-api-key")
# Read and encode the audio sample
audio_path = Path("my-sample.mp3")
sample_audio_b64 = base64.b64encode(audio_path.read_bytes()).decode()
# Create the voice with all parameters
voice = client.audio.voices.create(
name="podcast-narrator-en",
sample_audio=sample_audio_b64,
sample_filename=audio_path.name,
languages=["en", "fr"],
gender="male",
age=40,
tags=["podcast", "narrator", "professional"]
)
print(f"Voice created successfully!")
print(f" ID : {voice.id}")
print(f" Name : {voice.name}")
print(f" Languages : {voice.languages}")
Kun to parametre er påkrævede:
name: visningsnavnet på din stemme. Vælg et beskrivende navn, der gør det let for dig at identificere den (f.eks.support-assistant-en,podcast-intro)sample_audio: lydprøven kodet i base64. Dette er den eneste parameter, der ikke kan ændres efter oprettelse
De andre er valgfrie, men hver tjener et konkret formål:
sample_filename: det oprindelige filnavn. Hjælper API’en med at registrere lydformatetslug: en URL-venlig identifikator. Hvis den udelades, genereres den automatisk ud fra navnetlanguages: et array med ISO-sprogkoder (f.eks.["en", "fr", "es"]). Angiver de sprog, denne stemme er optimeret tilgender:"male"eller"female". Bruges til filtrering i grænsefladenage: et heltal, der repræsenterer talerens omtrentlige alder. Hjælper med at kategorisere stemmentags: et array med frit formaterede strenge til at organisere dine stemmer (f.eks.["commercial", "dynamic"])
Ved et projekt med én enkelt stemme kan du fristes til at udelade alt. Men i et katalog med tredive stemmer fordelt på flere kunder, vil tags og sprog specificeret ved oprettelsen spare dig for timers sortering.
Optag direkte fra browseren
Hvis du foretrækker ikke at håndtere lydfiler, lader Mistral Studio dig optage direkte fra din browser:
- Gå til sektionen Audio > Text to Speech
- Klik på My Voices og derefter Add a new voice
- Indtast dit stemmenavn
- Klik på optageknappen og tal i 10 til 30 sekunder
- Bekræft – din stemme er straks tilgængelig
Denne metode fungerer perfekt til hurtige tests, eller når den person, der lægger stemme til, ikke er den, der skriver koden – en skuespiller eller direktør vil være mere villig til at gennemføre øvelsen i en browser end i en terminal.
Verificér din stemme
Gå aldrig videre uden at lytte til resultatet. Så snart oprettelsen er afsluttet, skal du generere en testsætning:
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Hello, this is a test of my custom voice.",
voice_id=voice.id,
response_format="mp3",
)
Path("test-voice.mp3").write_bytes(
base64.b64decode(response.audio_data)
)
print("File test-voice.mp3 generated — listen to the result!")
Lyt på hovedtelefoner, ikke på laptop-højttalere: klangfarvedefekter er uhørlige der. Hvis resultatet ikke tilfredsstiller dig, så opret en ny stemme med en bedre prøve i stedet for at genbruge den samme – API’en tillader alligevel ikke udskiftning af lyden på en eksisterende stemme, og at insistere på en dårlig optagelse vil kun udskyde problemet.
Vigtige pointer
- Optagelsen (MP3 eller WAV) kan vare fra nogle få sekunder til nogle få minutter; sigt efter mindst 10 til 20 sekunder med varieret tale
- Lydfilen base64-kodes, før den sendes til API’en
- Parametrene
nameogsample_audioer påkrævede; de andre er valgfrie - Mistral Studio lader dig optage direkte fra browseren
- Test altid din stemme straks efter oprettelse