Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Grundlæggende talegenerering

Lektion 8 af 14 Opdateret 3. november 2026 Udvikler
På denne side
  1. Din første stemmegenerering
  2. Hvad hver parameter styrer
  3. Skalering op: Et lydbogskapitel
  4. Når genereringen fejler
  5. 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, som blev udfaset 31. oktober 2026 og trukket tilbage 30. april 2027, erstattes i eksemplerne af voxtral-mini-tts-3-0. Foruddefinerede Voxtral 2-stemmer (gb_jane_neutral…) accepteres stadig; 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.

Din første stemmegenerering

Nu ved du, hvordan du opretter en stemme og administrerer den via Voices API. Det sidste skridt er at gøre det, hele arbejdet har handlet om: at producere lyd. Mistrals Speech API koges ned til ét enkelt kald, client.audio.speech.complete(), som tager tekst og et stemme-ID og returnerer lyd kodet i base64. Denne lektion dækker grundlæggende generering med en gemt stemme; kloning i realtid og streaming kommer i de næste afsnit.

Koden nedenfor er alt, du behøver for at omdanne en sætning til en MP3-fil på din disk. Vær særligt opmærksom på det sidste trin: Svaret indeholder ikke rå lyddata, du kan bruge direkte, men en base64-streng, som du skal dekode, før du skriver filen. Dette er den klassiske begynderfejl – at gemme strengen som den er, får afspillere til at nægte at åbne filen.

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

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

# Generate speech with a saved voice
response = client.audio.speech.complete(
    model="voxtral-mini-tts-3-0",
    input="Hello and welcome to this course on Voxtral TTS.",
    voice_id="your-voice-id",
    response_format="mp3",
)

# Decode base64 and save to file
audio_bytes = base64.b64decode(response.audio_data)
Path("output.mp3").write_bytes(audio_bytes)
print(f"Audio generated: {len(audio_bytes)} bytes")

Hvad hver parameter styrer

Parameteren model specificerer syntesemodellen. Fra i dag er voxtral-mini-tts-3-0 den eneste tilgængelige, men angiv den altid eksplicit: Når andre modeller dukker op, vil din kode fortsat producere præcis den samme stemme, som den gør i dag.

input modtager teksten, der skal tales, og det er langt den parameter, der kræver mest opmærksomhed. Dokumentationen til Voxtral 2 anbefalede at holde sig under 300 ord pr. anmodning; dokumentationen til Voxtral TTS 3 angiver ikke længere nogen grænse, men anmodninger bestående af ét enkelt afsnit er stadig lettere at styre og afspille. Undgå emojis, som modellen ikke kan fortolke, samt kompleks formatering – Markdown, HTML, specialtegn – som ender med at blive læst højt ordret. Stav endelig tal og forkortelser ud: „treogtyve” i stedet for „23”, „Anpartsselskab” i stedet for „ApS”. En stemmeagent, der snubler over tal, mens den annoncerer et beløb, mister troværdighed på én sætning.

voice_id identificerer den stemme, der bruges. Du får det på tre måder: Ved at oprette en stemme med client.audio.voices.create() (se lektion 5), ved at liste dine eksisterende stemmer med client.audio.voices.list(), eller ved at genbruge ID’et på en professionel Mistral-stemme. response_format fastsætter endelig outputformatet blandt mp3, wav, pcm, flac og opus. Dette valg påvirker både filstørrelse og ventetid, og lektion 12 er udelukkende viet til dette emne.

Skalering op: Et lydbogskapitel

Ved lidt længere tekst er opdeling stadig bedste praksis. Princippet er simpelt: Forbered en liste over afsnit, generér hvert enkelt separat, og akkumulér derefter de dekodede bytes i én buffer, før du skriver den endelige fil.

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

client = Mistral(api_key="your-api-key")
voice_id = "your-voice-id"

# Text split into paragraphs
paragraphs = [
    "First paragraph of the chapter. The narrator introduces the context.",
    "Second paragraph. The action begins to develop.",
    "Third paragraph. Suspense builds gradually.",
]

full_audio = b""

for i, text in enumerate(paragraphs):
    print(f"Generating segment {i + 1}/{len(paragraphs)}...")
    response = client.audio.speech.complete(
        model="voxtral-mini-tts-3-0",
        input=text,
        voice_id=voice_id,
        response_format="wav",
    )
    full_audio += base64.b64decode(response.audio_data)

Path("chapter-01.wav").write_bytes(full_audio)
print("Audio chapter generated successfully!")

Dette script fungerer, fordi det producerer WAV, et ukomprimeret format, hvis segmenter kan sammenkædes ende-mod-ende uden særlig behandling. Prøv det samme med MP3 eller Opus, og resultatet vil være ubrugeligt: Disse komprimerede formater indeholder headere og frame-strukturer, som rå sammenkædning ødelægger. Brug i stedet et bibliotek som pydub, som dekoder hvert segment, før de flettes sammen korrekt.

Når genereringen fejler

I produktion skal du beskytte kaldet. Et voice_id, som en kollega slettede i går, tekst der stille bliver længere, fordi et felt er blevet sammenkædet, en API-kvote udtømt ved månedsskiftet, eller et stavet forkert outputformat: Hver af disse situationer udløser en undtagelse, og uden sikkerhedsforanstaltninger stopper din batchbehandling midt i korpusset.

try:
    response = client.audio.speech.complete(
        model="voxtral-mini-tts-3-0",
        input="Text to convert to speech.",
        voice_id=voice_id,
        response_format="mp3",
    )
    audio_bytes = base64.b64decode(response.audio_data)
    Path("output.mp3").write_bytes(audio_bytes)
except Exception as e:
    print(f"Error during generation: {e}")

Tag dig tid til at teste denne fejlvej, før du går i produktion: Generér bevidst med et ugyldigt voice_id, og verificér, at din applikation signalerer det tydeligt i stedet for at producere en tom fil.

Vigtige pointer

  • Generering bruger client.audio.speech.complete() med modellen voxtral-mini-tts-3-0
  • Opdel lange tekster i afsnit og undgå emojis og formatering
  • Stav tal og forkortelser ud for korrekt udtale
  • Returneret lyd er base64 – dekod den før lagring
  • Ved lange tekster skal du opdele i segmenter og sammenkæde resultaterne