Eine eigene Stimme erstellen
Auf dieser Seite
Kurs aktualisiert am 3. November 2026 für Voxtral TTS 3, basierend auf dem Leitfaden Migrate from Voxtral 2 und den Mistral-Seiten Text to Speech:
voxtral-mini-tts-2603, am 31. Oktober 2026 abgelehnt und am 30. April 2027 eingestellt, wird in Beispielen durchvoxtral-mini-tts-3-0ersetzt. Voxtral 2 vordefinierte Stimmen (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.
Vom Aufnahmeprozess zur klonierten Stimme
Das Erstellen einer eigenen Stimme mit Voxtral lässt sich auf zwei Schritte reduzieren: Vorbereiten einer hochwertigen Audioaufnahme und Senden an die API mit den richtigen Parametern. Der zweite Schritt dauert zehn Minuten; dem ersten sollte mehr Aufmerksamkeit gewidmet werden, da er das Ergebnis bestimmt. Diese Lektion führt Sie durch die Erstellung Ihrer ersten Stimme.
Vorbereiten Ihrer Audioaufnahme
Die Audioaufnahme ist das Fundament Ihrer Stimme: Ihre Qualität bestimmt direkt die Qualität der synthetisierten Sprache. Das Modell korrigiert nichts; es reproduziert lediglich das, was es hört.
Mit Voxtral TTS 3 fordert die Dokumentation eine MP3- oder WAV-Aufnahme, die einige Sekunden bis einige Minuten dauert (Voxtral 2 akzeptierte 3 bis 30 Sekunden). In der Praxis lassen sich drei Regime unterscheiden. Zwischen 3 und 10 Sekunden erfasst das Modell den Grundtimbre, jedoch mit weniger Nuancen: Die Stimme wird erkennbar sein, ohne wirklich lebensecht zu wirken. Zwischen 10 und 20 Sekunden erhalten Sie einen guten Kompromiss zwischen Qualität und Einfachheit, der für die meisten Projekte ausreicht. Über 20 Sekunden hinaus geben Sie dem Modell genügend Material, um Feinheiten zu erfassen – Rhythmus, Intonation, jene Mikrovariationen, die es einem Freund ermöglichen, Sie an zwei Wörtern zu erkennen.
Die verbleibende Frage ist, was gesagt werden soll, ein Thema, das mehr Menschen als erwartet zum Stillstand bringt, wenn es an der Zeit ist, auf „Aufnahme” zu drücken. Hier ist ein Referenz-Skript, das Mistral empfiehlt:
„Ich nehme eine Audioaufnahme auf, um meine Stimme zu klonen. Sobald dies abgeschlossen ist, werde ich Sprache generieren können, die wie ich klingt. Es ist unglaublich, wie KI meine Art zu sprechen, meinen Ton, meinen Rhythmus und sogar die kleinen Eigenheiten einfangen kann, die meine Stimme einzigartig machen.”
Dieser Text ist nicht willkürlich: Er wurde entwickelt, um eine Vielzahl von Klängen und Intonationen auf Englisch abzudecken, mit offenen und geschlossenen Vokalen, plosiven Konsonanten und einem Ausrufesatz. Auf der Dateiseite akzeptiert die API gängige Formate – MP3, WAV, FLAC, OGG – und das Dateinhalte werden vor dem Senden base64-kodiert.
Vollständiger Python-Code
Hier ist der Code zum Erstellen einer Stimme mit allen verfügbaren Parametern:
import base64
from pathlib import Path
from mistralai.client import Mistral
client = Mistral(api_key="your-api-key")
# Audioaufnahme lesen und kodieren
audio_path = Path("my-sample.mp3")
sample_audio_b64 = base64.b64encode(audio_path.read_bytes()).decode()
# Stimme mit allen Parametern erstellen
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"Stimme erfolgreich erstellt!")
print(f" ID : {voice.id}")
print(f" Name : {voice.name}")
print(f" Sprachen : {voice.languages}")
Nur zwei Parameter sind erforderlich:
name: Der Anzeigename Ihrer Stimme. Wählen Sie einen beschreibenden Namen, der eine einfache Identifizierung ermöglicht (z. B.support-assistant-en,podcast-intro)sample_audio: Die Audioaufnahme, die in base64 kodiert ist. Dies ist der einzige Parameter, der nach der Erstellung nicht geändert werden kann
Die anderen sind optional, erfüllen aber jeweils einen konkreten Zweck:
sample_filename: Der ursprüngliche Dateiname. Hilft der API, das Audioformat zu erkennenslug: Ein URL-freundlicher Identifier. Wenn nicht angegeben, wird er automatisch aus dem Namen generiertlanguages: Ein Array mit ISO-Sprachcodes (z. B.["en", "fr", "es"]). Gibt an, für welche Sprachen diese Stimme optimiert istgender:"male"oder"female". Wird zur Filterung im Interface verwendetage: Eine ganze Zahl, die das ungefähre Alter des Sprechers darstellt. Hilft bei der Kategorisierung der Stimmetags: Ein Array mit freien Zeichenfolgen, um Ihre Stimmen zu organisieren (z. B.["commercial", "dynamic"])
Bei einem Projekt mit nur einer Stimme könnten Sie versucht sein, alles wegzulassen. Bei einem Katalog mit dreißig Stimmen, die sich über mehrere Kunden verteilen, sparen Ihnen Tags und Sprachen, die bei der Erstellung angegeben werden, stundenlanges Sortieren.
Aufnahme direkt aus dem Browser
Wenn Sie Audiofiles nicht selbst verwalten möchten, ermöglicht Mistral Studio die direkte Aufnahme aus dem Browser:
- Gehen Sie zum Abschnitt Audio > Text to Speech
- Klicken Sie auf My Voices und dann auf Add a new voice
- Geben Sie den Namen Ihrer Stimme ein
- Klicken Sie auf die Aufnahmetaste und sprechen Sie für 10 bis 30 Sekunden
- Bestätigen Sie – Ihre Stimme ist sofort verfügbar
Diese Methode funktioniert perfekt für schnelle Tests oder wenn die Person, die ihre Stimme leiht, nicht diejenige ist, die den Code schreibt – ein Schauspieler oder ein Exekutivmitglied wird eher bereit sein, die Übung im Browser als im Terminal durchzuführen.
Ihre Stimme überprüfen
Gehen Sie niemals weiter, ohne das Ergebnis zu hören. Sobald die Erstellung abgeschlossen ist, generieren Sie einen Test-Satz:
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("Datei test-voice.mp3 generiert — hören Sie sich das Ergebnis an!")
Hören Sie mit Kopfhörern, nicht über Laptop-Lautsprecher: Timbre-Defekte sind dort unhörbar. Wenn das Ergebnis Sie nicht zufriedenstellt, erstellen Sie eine neue Stimme mit einer besseren Aufnahme, anstatt dieselbe wiederzuverwenden – die API erlaubt es ohnehin nicht, die Audioaufnahme einer bestehenden Stimme zu ersetzen, und das Beharren auf einer schlechten Aufnahme wird das Problem nur hinauszögern.
Kernaussagen
- Die Aufnahme (MP3 oder WAV) kann von einigen Sekunden bis zu einigen Minuten dauern; streben Sie mindestens 10 bis 20 Sekunden abwechslungsreicher Sprache an
- Die Audiodatei wird vor dem Senden an die API base64-kodiert
- Die Parameter
nameundsample_audiosind erforderlich; die anderen sind optional - Mistral Studio ermöglicht die direkte Aufnahme aus dem Browser
- Testen Sie Ihre Stimme immer unmittelbar nach der Erstellung