Voxtral TTS-Modelle
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 abgekündigt und am 30. April 2027 eingestellt, wird in Beispielen durchvoxtral-mini-tts-3-0ersetzt. Voxtral 2 vordefinierte Stimmen (gb_jane_neutral…) bleiben unterstützt; Voxtral 3 fügt Tags[emotion=…]und[pace=…]im Text, die Einstellungexpressiveness, Aussprachenhinweise (phoneme_hints) und 35 Sprachen hinzu. Mistral empfiehlt, die Latenz nach dem Wechsel neu zu messen. Quellen: Migrate from Voxtral 2 · Speech generation.
Voxtral Mini TTS: Das Referenzmodell
Das Synthesemodell in der Voxtral-Familie ist Voxtral TTS 3, in der API als voxtral-mini-tts-3-0 identifiziert (Alias: voxtral-mini-tts-3). Dies ist der Slug, den Sie in jedem API-Aufruf eingeben: Merken Sie sich diesen, da er die einzige Zeichenfolge in diesem Kurs ist, die Sie auswendig kennen müssen. Das Modell wurde entwickelt, um ein optimales Gleichgewicht zwischen Sprachqualität, Latenz und Kosten zu bieten, was erklärt, warum es fast alle professionellen Anwendungsfälle allein abdeckt.
Voxtral Mini TTS ist ein Sprach-Grundlagenmodell (voice foundation model). Dieser Unterschied ist nicht kosmetischer Natur: Ältere TTS-Systeme schnitten Text in Phoneme und fügten diese aus einem Klangspeicher zusammen, was zu ruckelnden Stimmen führte, bei denen jedes Silben unabhängig von der vorherigen wirkte. Voxtral generiert Sprache hingegen, indem es den semantischen Kontext des Textes versteht. Bei einem Satz wie „He didn’t say that” weiß das Modell, wo es die Betonung setzen muss, da es die Satzstruktur interpretiert hat, und erzeugt so eine natürliche Prosodie mit konsistenter Intonation von Anfang bis Ende.
Technische Spezifikationen
Das Modell voxtral-mini-tts-3-0 verfügt über folgende Spezifikationen:
| Feature | Value |
|---|---|
| Modell-Latenz | Ungefähr 90 Millisekunden vor dem ersten Ton |
| Sprachen | 35 Sprachen und über 50 Dialekte; vordefinierte Stimmen in 22 Sprachen |
| Stimmklonierung | Zero-shot, basierend auf einer MP3- oder WAV-Aufnahme von wenigen Sekunden bis wenigen Minuten |
| Steuerung | 34 Emotionstags, Pace-Tags, expressiveness, individuelle Aussprache |
| Ausgabeformate | MP3 (Standard), WAV, PCM, FLAC, Opus — Mono, 24 kHz |
| Streaming | Unterstützt in Echtzeit |
| Preis zum 3. November 2026 | 13 USD pro Million Zeichen |
Diese 90 Millisekunden verdienen eine zweite Überlegung: Dies ist die Verzögerung, bevor der erste Audiofragment verfügbar wird, nicht die gesamte Generierungszeit. In einem konversationellen Assistenten bestimmt genau diese Zahl, ob der Austausch natürlich oder mühsam wirkt.
Vorintegrierte professionelle Stimmen
Neben der Stimmklonierung bietet Mistral AI eine Bibliothek professioneller Stimmen, die sofort einsatzbereit sind. Diese Stimmen wurden in einem Studio aufgenommen und für verschiedene Anwendungsfälle optimiert. Sie leisten am Anfang eines Projekts unschätzbare Dienste: Wenn Sie prüfen möchten, ob Ihre Pipeline funktioniert, noch bevor Sie eine Aufnahmesitzung mit Ihrem gewählten Sprecher organisieren, ermöglicht eine vorintegrierte Stimme, alles an einem Tag zu testen.
In Mistral Studio, der grafischen Benutzeroberfläche, können Sie diese Stimmen erkunden und sie nach drei Kriterien filtern: Geschlecht (männlich oder weiblich), die primäre Sprache der Stimme und die Emotion, also den emotionalen Tonfall – neutral, enthusiastisch, ruhig und so weiter. Jede ist über ihre voice_id in der API zugänglich, genau wie eine von Ihnen selbst geklonte Stimme: Ihr Code ändert nicht eine einzige Zeile, wenn Sie von der Demo-Stimme zur finalen Stimme wechseln.
Offene Gewichte: Optionen für das Selbsthosting
Die vorherige Generation, Voxtral TTS (voxtral-mini-tts-2603), wurde mit ihren Gewichten – ein Modell mit 4 Milliarden Parametern auf Hugging Face – unter der Lizenz CC BY-NC 4.0 veröffentlicht. Dies ist keine Open-Source-Lizenz im üblichen Sinne: Sie untersagt die kommerzielle Nutzung. Sie erlaubt Experimente und Prototypen auf Ihrer eigenen Infrastruktur, ohne dass Sprachproben Ihr Netzwerk verlassen, aber ein kommerzielles Produkt muss die API nutzen oder eine Vereinbarung mit Mistral AI treffen. Derzeit erwähnt die Dokumentation zu Voxtral TTS 3 keine offenen Gewichte.
Für Organisationen, die an Vertraulichkeitsbeschränkungen gebunden sind – wie ein Gesundheitsdienstleister oder eine Regierungsbehörde – stellt sich daher die Frage in zwei Teilen: Ist die Nutzung kommerziell, und decken die offenen Gewichte die erforderlichen Sprachen und die Qualität ab? Falls nicht, müssen Sie die vertraglichen Verpflichtungen der API (Hosting, Datenerhaltung) prüfen.
Nutzung über die Mistral API
Um Voxtral Mini TTS über die API zu nutzen, müssen Sie den Client zunächst mit Ihrem API-Schlüssel initialisieren:
from mistralai.client import Mistral
client = Mistral(api_key="your-api-key")
Das Modell wird in jedem Generierungsaufruf durch seinen Identifier voxtral-mini-tts-3-0 referenziert. In den kommenden Lektionen werden Sie sehen, wie Stimmen erstellt und Sprache generiert wird; dieses client-Objekt ist der Ausgangspunkt für alle folgenden Beispiele.
Wenn Sie einen no-code-Ansatz bevorzugen, bietet Mistral Studio eine grafische Oberfläche, die unter studio.mistral.ai zugänglich ist. Dort können Sie verfügbare professionelle Stimmen anhören, Ihre eigene Stimme direkt aus dem Browser aufnehmen, die Stimmgenerierung mit verschiedenen Texten testen und Parameter anpassen – Sprache, Emotion, Format. Es ist das ideale Werkzeug zum Prototyping: Validieren Sie innerhalb von zehn Minuten, ob eine Stimme zum Projekt passt, und wechseln Sie dann zum Code, sobald die Entscheidung getroffen ist.
Roadmap-Entwicklung
Mistral AI hat angekündigt, dass weitere Modelle der Voxtral-Familie beitreten werden: leichtere Modelle für eingebettete und mobile Anwendungen, leistungsfähigere Modelle für die Generierung ausdrucksstarker Stimmen und kontinuierliche Verbesserungen der mehrsprachigen Qualität. Gestalten Sie daher Ihre Integrationen so, dass Sie den Modellnamen in einer Konfigurationsvariable isolieren, statt ihn im gesamten Code zu streuen – an einem Tag, an dem ein Nachfolger erscheint, wird der Wechsel nur eine Zeile erfordern. Bis dahin bleibt voxtral-mini-tts-3-0 das Referenzmodell und deckt die überwiegende Mehrheit der professionellen Anwendungsfälle ab.
Kernaussagen
- Das primäre Modell ist
voxtral-mini-tts-3-0, optimiert für Qualität und Latenz - Vorintegrierte professionelle Stimmen sind verfügbar, um ohne Audio-Probe zu starten
- Das vorherige Modell hat offene Gewichte und kann (nicht-kommerziell) selbst gehostet werden
- Mistral Studio bietet eine grafische Oberfläche zum no-code-Testen
- Die Mistral API und der Python-SDK sind die Einstiegspunkte für die Integration