Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Μορφές Ήχου

Μάθημα 12 / 14 Ενημερώθηκε 3 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Επιλογή της Κατάλληλης Μορφής Εξόδου
  2. MP3: Το Καθολικό Πρότυπο
  3. WAV: Μέγιστη Ποιότητα
  4. PCM: Η Μορφή Πραγματικού Χρόνου
  5. FLAC: Συμπίεση Χωρίς Απώλειες
  6. Opus: Η Σύγχρονη Συμβιβαστική Λύση
  7. Απόφαση σε Ένα Λεπτό
  8. Βασικά σημεία

Το μάθημα ενημερώθηκε στις 3 Νοεμβρίου 2026 για το Voxtral TTS 3, με βάση τον οδηγό Migrate from Voxtral 2 και τις σελίδες Text to Speech της Mistral: το voxtral-mini-tts-2603, που αποσύρθηκε στις 31 Οκτωβρίου 2026 και θα αφαιρεθεί στις 30 Απριλίου 2027, αντικαθίσταται στα παραδείγματα από το voxtral-mini-tts-3-0. Οι προκαθορισμένες φωνές του Voxtral 2 (gb_jane_neutral…) παραμένουν αποδεκτές· το Voxtral 3 προσθέτει ετικέτες [emotion=…] και [pace=…] στο κείμενο, τη ρύθμιση expressiveness, προσαρμοσμένη προφορά (phoneme_hints) και 35 γλώσσες. Η Mistral συνιστά επαναμέτρηση του λανθάνοντος χρόνου μετά τη μετάβαση. Πηγές: Migrate from Voxtral 2 · Speech generation.

Επιλογή της Κατάλληλης Μορφής Εξόδου

Η παράμετρος response_format δέχεται πέντε τιμές. Αυτή η επιλογή μίας γραμμής έχει πολύ μεγαλύτερη σημασία από ό,τι φαίνεται: καθορίζει την ποιότητα του ήχου, το μέγεθος των αρχείων που αποθηκεύετε, τον λανθάνοντα χρόνο που αντιλαμβάνονται οι χρήστες σας και τη συμβατότητα με τους αναπαραγωγείς τους. Ένα podcast παραδοτέο σε μορφή PCM θα είναι μη αναπαραγώγιμο για το ήμισυ του κοινού σας· ένας φωνητικός πράκτορας σε MP3 θα καθυστερεί δύο δευτερόλεπτα πίσω από κάθε απόκριση. Ο παρακάτω πίνακας δίνει τη γενική εικόνα, και το υπόλοιπο του μαθήματος εξηγεί πότε να χρησιμοποιείτε κάθε μορφή.

Μορφή Συμπίεση Ποιότητα Λανθάνων Χρόνος Ροής Κύρια Χρήση
MP3 Με απώλειες Καλή ~2 δευτερόλεπτα Γενική χρήση, αρχεία
WAV Καμία (PCM) Μέγιστη Μέτριος Μετα-παραγωγή, ηχητικά βιβλία
PCM Καμία (raw) Μέγιστη ~0,7 δευτερόλεπτα Ροή σε πραγματικό χρόνο
FLAC Χωρίς απώλειες Μέγιστη Μέτριος Αρχειοθέτηση, επαγγελματική ποιότητα
Opus Με απώλειες Πολύ Καλή Χαμηλός Ροή, VoIP, περιορισμένο εύρος ζώνης

Οι λανθάνοντες χρόνοι σε αυτόν τον πίνακα είναι κατά προσέγγιση τάξεις μεγέθους μετρημένες με το Voxtral 2· επαναμετρήστε τους με το Voxtral TTS 3, το οποίο παράγει μονοφωνικό ήχο στα 24 kHz σε όλες τις περιπτώσεις.

MP3: Το Καθολικό Πρότυπο

Το MP3 παραμένει η πιο διαδεδομένη μορφή: κάθε πρόγραμμα περιήγησης, τηλέφωνο και αναπαραγωγέας το διαβάζει εγγενώς, και μεταφέρει τα μεταδεδομένα ID3 που απαιτούν οι πλατφόρμες podcast. Η συμπίεσή του είναι με απώλειες, οπότε η ποιότητα είναι ελαφρώς χαμηλότερη από το WAV, αλλά η διαφορά σπάνια γίνεται αντιληπτή στην ομιλία. Το πραγματικό του μειονέκτημα βρίσκεται αλλού: στη ροή δεδομένων, ο κωδικοποιητής πρέπει να συσσωρεύσει δεδομένα πριν παράγει το πρώτο του καρέ, καθυστερώντας τον πρώτο ήχο κατά περίπου δύο δευτερόλεπτα. Επιλέξτε αυτή τη μορφή για αρχεία προς λήψη, podcasts ή τυπική ενσωμάτωση στον ιστό—ποτέ για συνομιλιακή χρήση.

response = client.audio.speech.complete(
    model="voxtral-mini-tts-3-0",
    input="An MP3 file for standard use.",
    voice_id=voice_id,
    response_format="mp3",
)

WAV: Μέγιστη Ποιότητα

Το WAV περιέχει ασυμπίεστο ήχο PCM, προσφέροντας την καλύτερη δυνατή ποιότητα χωρίς καμία απώλεια. Επειδή δεν υπάρχει τίποτα προς αποκωδικοποίηση και οι επεξεργαστές ήχου αναγνωρίζουν καθολικά τη μορφή, αποτελεί το φυσικό σημείο εκκίνησης για κάθε αλυσίδα μετα-παραγωγής: επεξεργάζεστε, εξισορροπείτε και συμπιέζετε, και στη συνέχεια εξάγετε στην επιθυμητή μορφή διανομής. Το αντάλλαγμα είναι το μέγεθος του αρχείου—περίπου δεκαπλάσιο από ένα MP3—και οι αντίστοιχες απαιτήσεις εύρους ζώνης.

response = client.audio.speech.complete(
    model="voxtral-mini-tts-3-0",
    input="A WAV file for the best quality.",
    voice_id=voice_id,
    response_format="wav",
)

Προορίστε το για ηχητικά βιβλία στούντιο, αρχειοθέτηση και οτιδήποτε σκοπεύετε να επεξεργαστείτε αργότερα.

PCM: Η Μορφή Πραγματικού Χρόνου

Το PCM (Pulse Code Modulation) είναι ωμός ήχος Float32 Little-Endian χωρίς κεφαλίδα ή encapsulation. Αυτή η γύμνια είναι ταυτόχρονα το δυνατό και το αδύναμο σημείο του. Δυνατό σημείο: τίποτα προς κωδικοποίηση ή αποκωδικοποίηση, ο πρώτος ήχος φτάνει σε περίπου 0,7 δευτερόλεπτα, και τα bytes που λαμβάνονται εγγράφονται απευθείας στην κάρτα ήχου. Αδύναμο σημείο: χωρίς κεφαλίδα, πρέπει εσείς να γνωρίζετε και να μεταδίδετε τον ρυθμό δειγματοληψίας και τη μορφή—ακριβώς γι’ αυτό το παράδειγμα pyaudio στο Μάθημα 10 δήλωνε ρητά το paFloat32, ένα κανάλι και 24.000 Hz. Τα αρχεία είναι επίσης πολύ μεγάλα και κανένας καταναλωτικός αναπαραγωγέας δεν τα ανοίγει απευθείας.

response = client.audio.speech.complete(
    model="voxtral-mini-tts-3-0",
    input="Raw PCM for streaming.",
    voice_id=voice_id,
    response_format="pcm",
)

Αυτή είναι η μορφή για φωνητικούς βοηθούς πραγματικού χρόνου, συνομιλιακούς πράκτορες και εφαρμογές WebRTC.

FLAC: Συμπίεση Χωρίς Απώλειες

Το FLAC μειώνει το μέγεθος του αρχείου κατά 50% έως 60% χωρίς να αγγίζει ούτε ένα δείγμα: η ποιότητα είναι αυστηρά ίδια με το WAV, και διατηρείτε τα μεταδεδομένα. Στην πράξη, αυτή είναι η μορφή αρχειοθέτησής σας: αποθηκεύστε τα master σας σε FLAC, και μπορείτε να αναπαράγετε ένα MP3 ή Opus χρόνια αργότερα χωρίς να υποφέρετε από τη διπλή συμπίεση που υποβαθμίζει τον ήχο. Απαιτεί αποκωδικοποιητή, καθιστώντας το λιγότερο καθολικό από το MP3.

response = client.audio.speech.complete(
    model="voxtral-mini-tts-3-0",
    input="FLAC for lossless archiving.",
    voice_id=voice_id,
    response_format="flac",
)

Opus: Η Σύγχρονη Συμβιβαστική Λύση

Το Opus είναι ένας κωδικοποιητής σχεδιασμένος για επικοινωνία σε πραγματικό χρόνο, προσφέροντας εξαιρετική ποιότητα σε πολύ χαμηλούς ρυθμούς bit. Σε μια εφαρμογή για κινητά που τρέχει σε υποβαθμισμένο 4G, προσφέρει καθαρή φωνή εκεί που το WAV θα κορέσει τη σύνδεση, με χαμηλό λανθάνοντα χρόνο ροής—υψηλότερο από το PCM, αλλά πολύ χαμηλότερο από το MP3. Η συμβατότητα είναι όμως άνιση: όχι όλοι οι αναπαραγωγείς το υποστηρίζουν εγγενώς, και ορισμένοι απαιτούν container OGG.

response = client.audio.speech.complete(
    model="voxtral-mini-tts-3-0",
    input="Opus for efficient streaming.",
    voice_id=voice_id,
    response_format="opus",
)

Αυτή είναι η επιλογή για VoIP, ροή με περιορισμένο εύρος ζώνης και εφαρμογές για κινητά.

Απόφαση σε Ένα Λεπτό

Αντιμετωπίζοντας ένα νέο έργο, αποφασίστε με αυτή τη σειρά. Αν κάνετε ροή σε πραγματικό χρόνο, επιλέξτε PCM για ελάχιστο λανθάνοντα χρόνο, ή Opus αν το εύρος ζώνης έχει τόσο σημασία όσο η ανταπόκριση. Διαφορετικά, ρωτήστε πού θα αναπαραχθεί το αρχείο: σε πρόγραμμα περιήγησης, το MP3 εγγυάται μέγιστη συμβατότητα. Αν χρειάζεται επεξεργασία αργότερα, το WAV σας δίνει το ευκολότερο υλικό για χειρισμό. Αν πρέπει να αρχειοθετηθεί χωρίς απώλεια ούτε ενός ντεσιμπέλ, το FLAC συμπιέζει χωρίς να θυσιάζει τίποτα. Και αν ο κυρίαρχος περιορισμός είναι ένα αργό δίκτυο, το Opus προσφέρει την καλύτερη αναλογία ποιότητας προς μέγεθος.

Βασικά σημεία

  • Το MP3 είναι η προεπιλεγμένη επιλογή για καθολική συμβατότητα
  • Το PCM προσφέρει τον χαμηλότερο λανθάνοντα χρόνο για ροή σε πραγματικό χρόνο (~0,7s)
  • Το WAV παρέχει την καλύτερη ασυμπίεστη ποιότητα, ιδανικό για μετα-παραγωγή
  • Το FLAC συμπιέζει χωρίς απώλειες—ίδια ποιότητα με το WAV, μικρότερα αρχεία
  • Το Opus είναι ο καλύτερος συμβιβασμός ποιότητας-μεγέθους για δικτυακές εφαρμογές