Grundlegende Sprachgenerierung
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 abgelehnt und am 30. April 2027 eingestellt, wird in Beispielen durchvoxtral-mini-tts-3-0ersetzt. Vorgängige vordefinierte Voxtral 2-Stimmen (gb_jane_neutral…) bleiben akzeptiert; Voxtral 3 fügt Tags[emotion=…]und[pace=…]im Text, die Einstellungexpressiveness, Aussprachenhinweise (phoneme_hints) und 35 Sprachen hinzu. Mistral empfiehlt, die Latenz nach der Migration erneut zu messen. Quellen: Migrate from Voxtral 2 · Speech generation.
Ihre erste Sprachgenerierung
Sie wissen nun, wie Sie eine Stimme erstellen und über die Voices-API verwalten. Der letzte Schritt ist das, wofür all diese Arbeit diente: Audio erzeugen. Die Speech-API von Mistral reduziert sich auf einen einzigen Aufruf, client.audio.speech.complete(), der Text und eine Voice-ID entgegennimmt und Audio zurückgibt, das in Base64 kodiert ist. Diese Lektion behandelt die grundlegende Generierung mit einer gespeicherten Stimme; das on-the-fly-Klonen und Streaming folgen in den nächsten Lektionen.
Der folgende Code ist alles, was Sie benötigen, um einen Satz in eine MP3-Datei auf Ihrem Datenträger zu verwandeln. Achten Sie besonders auf den letzten Schritt: Die Antwort enthält keine rohen Audio-Bytes, die Sie direkt verwenden können, sondern einen Base64-String, den Sie vor dem Schreiben der Datei entschlüsseln müssen. Dies ist der klassische Fehler beim ersten Mal – das Speichern des Strings unverändert führt dazu, dass Audio-Player die Datei nicht öffnen.
import base64
from pathlib import Path
from mistralai.client import Mistral
client = Mistral(api_key="your-api-key")
# Generierung von Sprache mit einer gespeicherten Stimme
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Hallo und willkommen zu diesem Kurs über Voxtral TTS.",
voice_id="your-voice-id",
response_format="mp3",
)
# Base64 entschlüsseln und in Datei speichern
audio_bytes = base64.b64decode(response.audio_data)
Path("output.mp3").write_bytes(audio_bytes)
print(f"Audio generiert: {len(audio_bytes)} Bytes")
Was jeder Parameter steuert
Der Parameter model gibt das Synthesemodell an. Bis heute ist voxtral-mini-tts-3-0 das einzige verfügbare Modell, geben Sie es jedoch immer explizit an: Wenn andere Modelle erscheinen, wird Ihr Code weiterhin exakt dieselbe Stimme erzeugen wie heute.
input nimmt den zu sprechenden Text entgegen, und dies ist bei weitem der Parameter, der die meiste Aufmerksamkeit erfordert. Die Dokumentation von Voxtral 2 empfahl, pro Anfrage unter 300 Wörter zu bleiben; die Dokumentation von Voxtral TTS 3 legt keinen Limit mehr fest, aber einzelne Absatzanfragen bleiben einfacher zu steuern und wiederzugeben. Vermeiden Sie Emojis, die das Modell nicht interpretieren kann, sowie komplexe Formatierungen – Markdown, HTML, Sonderzeichen –, die wortwörtlich vorgetragen werden. Schließen Sie Zahlen und Abkürzungen aus: sprechen Sie „dreiundzwanzig” statt „23”, „Gesellschaft mit beschränkter Haftung” statt „GmbH”. Eine Sprachagentur, die bei der Ankündigung eines Betrags über Zahlen stolpert, verliert in einem Satz Glaubwürdigkeit.
voice_id identifiziert die verwendete Stimme. Sie erhalten diese auf drei Arten: durch Erstellen einer Stimme mit client.audio.voices.create() (siehe Lektion 5), durch Auflisten Ihrer vorhandenen Stimmen mit client.audio.voices.list() oder durch Wiederverwendung der ID einer professionellen Mistral-Stimme. response_format legt schließlich das Ausgabeformat unter mp3, wav, pcm, flac und opus fest. Diese Wahl beeinflusst sowohl die Dateigröße als auch die Latenz, und Lektion 12 widmet sich diesem Thema vollständig.
Hochskalieren: Ein Hörbuchkapitel
Für etwas längeren Text bleibt das Aufteilen die beste Praxis. Das Prinzip ist einfach: Bereiten Sie eine Liste von Absätzen vor, generieren Sie jeden einzeln, und sammeln Sie die entschlüsselten Bytes in einem einzigen Puffer, bevor Sie die finale Datei schreiben.
import base64
from pathlib import Path
from mistralai.client import Mistral
client = Mistral(api_key="your-api-key")
voice_id = "your-voice-id"
# Text in Absätze aufgeteilt
paragraphs = [
"Erster Absatz des Kapitels. Der Erzähler führt den Kontext ein.",
"Zweiter Absatz. Die Handlung beginnt sich zu entwickeln.",
"Dritter Absatz. Spannung baut sich allmählich auf.",
]
full_audio = b""
for i, text in enumerate(paragraphs):
print(f"Generiere 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("Hörbuchkapitel erfolgreich generiert!")
Dieses Skript funktioniert, weil es WAV erzeugt, ein unkomprimiertes Format, dessen Segmente ohne spezielle Verarbeitung end-zu-end aneinandergefügt werden können. Versuchen Sie dasselbe mit MP3 oder Opus, und das Ergebnis wird unbrauchbar sein: Diese komprimierten Formate tragen Header und Rahmenstrukturen, die eine rohe Verkettung zerstört. Nutzen Sie stattdessen eine Bibliothek wie pydub, die jedes Segment vor dem sauberen Zusammenfügen entschlüsselt.
Wenn die Generierung fehlschlägt
In der Produktion müssen Sie den Aufruf schützen. Eine voice_id, die gestern von einem Kollegen gelöscht wurde, Text, der stillschweigend länger wird, weil ein Feld verkettet wurde, eine API-Quote, die am Monatsende erschöpft ist, ein falsch geschriebenes Ausgabeformat: Jede dieser Situationen wirft eine Ausnahme, und ohne Schutzmaßnahmen stoppt Ihre Batch-Verarbeitung mitten im Korpus.
try:
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Text zur Umwandlung in Sprache.",
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"Fehler während der Generierung: {e}")
Nehmen Sie sich Zeit, diesen Fehlerpfad vor dem Übergang in die Produktion zu testen: Generieren Sie bewusst mit einer falschen voice_id und überprüfen Sie, dass Ihre Anwendung dies klar signalisiert, anstatt eine leere Datei zu erzeugen.
Kernaussagen
- Die Generierung verwendet
client.audio.speech.complete()mit dem Modellvoxtral-mini-tts-3-0 - Teilen Sie lange Texte in Absätze auf und vermeiden Sie Emojis sowie Formatierungen
- Schließen Sie Zahlen und Abkürzungen aus, um die korrekte Aussprache zu gewährleisten
- Das zurückgegebene Audio ist Base64 – entschlüsseln Sie es vor dem Speichern
- Für lange Texte in Segmente aufteilen und Ergebnisse aneinanderfügen