Audio-Formate
Auf dieser Seite
Kurs aktualisiert am 3. November 2026 für Voxtral TTS 3, basierend auf dem Leitfaden Migrate from Voxtral 2 und den Seiten von Mistral zu Text to Speech:
voxtral-mini-tts-2603, am 31. Oktober 2026 deprecated und am 30. April 2027 entfernt, wird in den Beispielen durchvoxtral-mini-tts-3-0ersetzt. Die vordefinierten Stimmen von Voxtral 2 (gb_jane_neutral…) bleiben akzeptiert; Voxtral 3 fügt Tags[emotion=…]und[pace=…]im Text, die Einstellungexpressiveness, Aussprachehinweise (phoneme_hints) und 35 Sprachen hinzu. Mistral empfiehlt, die Latenz nach der Migration erneut zu messen. Quellen: Migrate from Voxtral 2 · Speech generation.
Das richtige Ausgabeformat wählen
Der Parameter response_format akzeptiert fünf Werte. Diese Entscheidung in einer Zeile ist weit wichtiger, als sie auf den ersten Blick erscheint: Sie bestimmt die Audioqualität, die Größe der gespeicherten Dateien, die von den Nutzern wahrgenommene Latenz und die Kompatibilität mit ihren Abspielgeräten. Ein Podcast, der in PCM geliefert wird, ist für die Hälfte Ihres Publikums unspielbar; ein Voice-Agent in MP3 wird bei jeder Antwort zwei Sekunden Verzögerung aufweisen. Die folgende Tabelle gibt einen Überblick, und der Rest dieser Lektion erläutert, wann Sie jedes Format verwenden sollten.
| Format | Komprimierung | Qualität | Streaming-Latenz | Hauptanwendungsfall |
|---|---|---|---|---|
| MP3 | Verlustbehaftet | Gut | ~2 Sekunden | Allgemeiner Gebrauch, Dateien |
| WAV | Keine (PCM) | Maximal | Mittel | Nachproduktion, Hörbücher |
| PCM | Keine (roh) | Maximal | ~0,7 Sekunden | Echtzeit-Streaming |
| FLAC | Verlustfrei | Maximal | Mittel | Archivierung, professionelle Qualität |
| Opus | Verlustbehaftet | Sehr gut | Niedrig | Streaming, VoIP, begrenzte Bandbreite |
Die Latenzen in dieser Tabelle sind grobe Größenordnungen, die mit Voxtral 2 gemessen wurden; messen Sie sie mit Voxtral TTS 3 erneut, der in allen Fällen Mono-Audio mit 24 kHz erzeugt.
MP3: Der universelle Standard
MP3 bleibt das am weitesten verbreitete Format: Jeder Browser, jedes Smartphone und jeder Abspieler liest es nativ, und es trägt die ID3-Metadaten, die Podcast-Plattformen erfordern. Seine Komprimierung ist verlustbehaftet, sodass die Qualität etwas niedriger ist als bei WAV, aber der Unterschied ist für Sprache selten hörbar. Sein echter Nachteil liegt anderswo: Beim Streaming muss der Codec Daten akkumulieren, bevor er seinen ersten Frame erzeugt, wodurch der erste Ton etwa zwei Sekunden verzögert wird. Wählen Sie dieses Format für herunterladbare Dateien, Podcasts oder eine Standard-Web-Integration – niemals für konversationelle Anwendungen.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Eine MP3-Datei für den allgemeinen Gebrauch.",
voice_id=voice_id,
response_format="mp3",
)
WAV: Maximale Qualität
WAV enthält unkomprimiertes PCM-Audio und liefert die bestmögliche Qualität ohne jeglichen Verlust. Da nichts decodiert werden muss und Audio-Editoren das Format universell erkennen, ist es der natürliche Ausgangspunkt für jede Nachproduktionskette: Sie bearbeiten, equalisieren und komprimieren, bevor Sie das gewünschte Verteilungsformat exportieren. Der Kompromiss liegt in der Dateigröße – etwa zehnmal so groß wie bei einer MP3-Datei – und den entsprechenden Bandbreitenanforderungen.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Eine WAV-Datei für die beste Qualität.",
voice_id=voice_id,
response_format="wav",
)
Verwenden Sie es für Studio-Qualitätshörbücher, Archivierung und alles, was Sie später bearbeiten möchten.
PCM: Das Format für Echtzeit
PCM (Pulse Code Modulation) ist rohes Float32 Little-Endian-Audio ohne Header oder Kapselung. Diese Nacktheit ist sowohl seine Stärke als auch seine Schwäche. Seine Stärke: Es muss nichts kodiert oder decodiert werden, der erste Ton kommt in etwa 0,7 Sekunden an, und die empfangenen Bytes werden direkt an die Soundkarte geschrieben. Seine Schwäche: Ohne Header müssen Sie die Abtastfrequenz und das Format selbst kennen und übertragen – genau deshalb erklärte das pyaudio-Beispiel in Lektion 10 explizit paFloat32, einen Kanal und 24.000 Hz. Dateien sind ebenfalls sehr groß, und kein Consumer-Abspieler öffnet sie direkt.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Rohes PCM für Streaming.",
voice_id=voice_id,
response_format="pcm",
)
Dies ist das Format für Voice-Assistenten in Echtzeit, konversationelle Agenten und WebRTC-Anwendungen.
FLAC: Verlustfreie Komprimierung
FLAC reduziert die Dateigröße um 50 % bis 60 %, ohne auch nur eine einzige Sample zu verändern: Die Qualität ist rigoros identisch mit WAV, und Sie behalten die Metadaten. In der Praxis ist dies Ihr Archivierungsformat: Speichern Sie Ihre Masters in FLAC, und Sie können Jahre später ein MP3 oder Opus neu generieren, ohne den doppelten Komprimierungsverlust zu erleiden, der das Audio verschlechtert. Es erfordert einen Decoder, was es weniger universell macht als MP3.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="FLAC für verlustfreie Archivierung.",
voice_id=voice_id,
response_format="flac",
)
Opus: Der moderne Kompromiss
Opus ist ein Codec, der für Echtzeit-Kommunikation entwickelt wurde und eine hervorragende Qualität bei sehr niedrigen Bitraten liefert. In einer mobilen App, die auf einer degradierten 4G-Verbindung läuft, liefert er eine klare Stimme, bei der WAV die Verbindung überlasten würde, mit niedriger Streaming-Latenz – höher als bei PCM, aber weit niedriger als bei MP3. Die Kompatibilität ist jedoch uneinheitlich: Nicht alle Abspieler unterstützen es nativ, und einige erfordern einen OGG-Container.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Opus für effizientes Streaming.",
voice_id=voice_id,
response_format="opus",
)
Dies ist die Wahl für VoIP, Streaming mit begrenzter Bandbreite und mobile Anwendungen.
Entscheidung in einer Minute
Beim Start eines neuen Projekts entscheiden Sie in dieser Reihenfolge. Wenn Sie Echtzeit-Streaming durchführen, wählen Sie PCM für die minimale Latenz oder Opus, wenn die Bandbreite genauso wichtig ist wie die Reaktionsgeschwindigkeit. Andernfalls fragen Sie, wo die Datei abgespielt wird: Im Browser garantiert MP3 maximale Kompatibilität. Wenn sie später bearbeitet werden muss, bietet WAV das einfachste Material zur Manipulation. Wenn sie archiviert werden muss, ohne einen Dezibel zu verlieren, komprimiert FLAC ohne jeglichen Verzicht. Und wenn die dominierende Einschränkung ein langsames Netzwerk ist, bietet Opus das beste Verhältnis von Qualität zu Größe.
Kernaussagen
- MP3 ist die Standardwahl für universelle Kompatibilität
- PCM bietet die niedrigste Latenz für Echtzeit-Streaming (~0,7 s)
- WAV liefert die beste unkomprimierte Qualität, ideal für die Nachproduktion
- FLAC komprimiert ohne Verlust – gleiche Qualität wie WAV, kleinere Dateien
- Opus ist der beste Kompromiss aus Qualität und Größe für vernetzte Anwendungen