Μοντέλα Voxtral TTS
Σε αυτήν τη σελίδα
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 απενεργοποιηθεί οριστικά στις 30 Απριλίου 2027, αντικαθίσταται στα παραδείγματα από τοvoxtral-mini-tts-3-0. Οι προκαθορισμένες φωνές του Voxtral 2 (gb_jane_neutral…) παραμένουν υποστηριζόμενες· το Voxtral 3 προσθέτει ετικέτες[emotion=…]και[pace=…]στο κείμενο, τη ρύθμισηexpressiveness, προσαρμοσμένη προφορά (phoneme_hints) και 35 γλώσσες. Η Mistral συνιστά επαναμέτρηση του λανθάνοντος χρόνου μετά τη μετάβαση. Πηγές: Migrate from Voxtral 2 · Speech generation.
Voxtral Mini TTS: Το Μοντέλο Αναφοράς
Το μοντέλο σύνθεσης στην οικογένεια Voxtral είναι το Voxtral TTS 3, το οποίο αναγνωρίζεται στο API ως voxtral-mini-tts-3-0 (ψευδώνυμο voxtral-mini-tts-3). Αυτό είναι το slug που θα γράφετε σε κάθε κλήση API: απομνημονεύσετέ το, καθώς είναι η μόνη συμβολοσειρά σε αυτό το μάθημα που πρέπει να ξέρετε απ’ έξω. Το μοντέλο έχει σχεδιαστεί για να προσφέρει τη βέλτιστη ισορροπία μεταξύ ποιότητας φωνής, λανθάνοντος χρόνου και κόστους, γεγονός που εξηγεί γιατί καλύπτει μόνο του σχεδόν όλες τις επαγγελματικές περιπτώσεις χρήσης.
Το Voxtral Mini TTS είναι ένα θεμελιώδες μοντέλο φωνής. Αυτή η διάκριση δεν είναι επιφανειακή: τα παλαιότερα συστήματα TTS έκοβαν το κείμενο σε φωνήματα και τα συνέθεταν από μια τράπεζα ήχου, με αποτέλεσμα κοφτές φωνές όπου κάθε συλλαβή φαινόταν ανεξάρτητη από την προηγούμενη. Αντιθέτως, το Voxtral παράγει ομιλία κατανοώντας το σημασιολογικό πλαίσιο του κειμένου. Σε μια πρόταση όπως «Δεν είπε αυτό», το μοντέλο γνωρίζει πού να δώσει έμφαση επειδή έχει ερμηνεύσει τη δομή της πρότασης, παράγοντας φυσική προσωδία με συνεπή τονική κλίση από την αρχή έως το τέλος.
Τεχνικές Προδιαγραφές
Το μοντέλο voxtral-mini-tts-3-0 διαθέτει τις ακόλουθες προδιαγραφές:
| Χαρακτηριστικό | Τιμή |
|---|---|
| Λανθάνων χρόνος μοντέλου | Περίπου 90 χιλιοστά του δευτερολέπτου πριν από τον πρώτο ήχο |
| Γλώσσες | 35 γλώσσες και πάνω από 50 διαλέκτους· προκαθορισμένες φωνές σε 22 γλώσσες |
| Κλωνοποίηση φωνής | Zero-shot, από αρχείο MP3 ή WAV διάρκειας από λίγα δευτερόλεπτα έως λίγα λεπτά |
| Έλεγχος | 34 ετικέτες συναισθήματος, ετικέτες ρυθμού, expressiveness, προσαρμοσμένη προφορά |
| Μορφές εξόδου | MP3 (προεπιλογή), WAV, PCM, FLAC, Opus — μονοφωνικό, 24 kHz |
| Ροή δεδομένων (Streaming) | Υποστηρίζεται σε πραγματικό χρόνο |
| Τιμή στις 3 Νοεμβρίου 2026 | 13 $ ανά εκατομμύριο χαρακτήρες |
Αυτά τα 90 χιλιοστά του δευτερολέπτου αξίζουν δεύτερη σκέψη: πρόκειται για την καθυστέρηση πριν γίνει διαθέσιμο το πρώτο απόσπασμα ήχου, όχι για τη συνολική διάρκεια παραγωγής. Σε έναν συνομιλιακό βοηθό, αυτός ο συγκεκριμένος αριθμός καθορίζει εάν η ανταλλαγή θα φανεί φυσική ή επίπονη.
Προ-ενσωματωμένες Επαγγελματικές Φωνές
Εκτός από την κλωνοποίηση φωνής, η Mistral AI προσφέρει μια βιβλιοθήκη επαγγελματικών φωνών έτοιμων για άμεση χρήση. Αυτές οι φωνές ηχογραφήθηκαν σε στούντιο και βελτιστοποιήθηκαν για διάφορες περιπτώσεις χρήσης. Προσφέρουν ανεκτίμητη υπηρεσία στην αρχή ενός έργου: αν θέλετε να επαληθεύσετε ότι η ροή εργασίας σας λειτουργεί πριν καν οργανώσετε session ηχογράφησης με τον επιλεγμένο ηθοποιό φωνής, μια προ-ενσωματωμένη φωνή σάς επιτρέπει να δοκιμάσετε τα πάντα την ίδια ημέρα.
Στο Mistral Studio, τη διαδικτυακή διεπαφή, μπορείτε να εξερευνήσετε αυτές τις φωνές και να τις φιλτράρετε με βάση τρία κριτήρια: φύλο (άνδρας ή γυναίκα), την κύρια γλώσσα της φωνής και το συναίσθημα, δηλαδή τον συναισθηματικό τόνο—ουδέτερο, ενθουσιώδες, ήρεμο κ.ο.κ. Καθεμία είναι προσβάσιμη μέσω του voice_id της στο API, ακριβώς όπως μια φωνή που κλωνοποιήσατε εσείς: ο κώδικάς σας δεν αλλάζει ούτε μία γραμμή όταν μεταβαίνετε από τη φωνή επίδειξης στην τελική φωνή.
Ανοιχτά Βάρη: Επιλογές Αυτο-φιλοξενίας
Η προηγούμενη γενιά, Voxtral TTS (voxtral-mini-tts-2603), κυκλοφόρησε με τα βάρη της—ένα μοντέλο 4 δισεκατομμυρίων παραμέτρων στο Hugging Face—κάτω από την άδεια CC BY-NC 4.0. Δεν πρόκειται για άδεια ανοιχτού κώδικα με την κοινή έννοια: απαγορεύει την εμπορική χρήση. Επιτρέπει τον πειραματισμό και τη δημιουργία πρωτοτύπων στις δικές σας υποδομές χωρίς δείγματα φωνής να εξέρχονται από το δίκτυό σας, αλλά ένα εμπορικό προϊόν πρέπει να χρησιμοποιεί το API ή να συνάψει συμφωνία με τη Mistral AI. Μέχρι σήμερα, η τεκμηρίωση του Voxtral TTS 3 δεν αναφέρει κανένα ανοιχτό βάρος.
Για οργανισμούς που υπόκεινται σε περιορισμούς εμπιστευτικότητας—όπως ένας πάροχος υγειονομικής περίθαλψης ή μια κυβερνητική υπηρεσία—το ερώτημα τίθεται επομένως σε δύο μέρη: είναι η χρήση εμπορική και καλύπτει το ανοιχτό μοντέλο τις απαιτούμενες γλώσσες και την ποιότητα; Αν όχι, πρέπει να εξετάσετε τις συμβατικές δεσμεύσεις του API (φιλοξενία, διατήρηση δεδομένων).
Χρήση μέσω του Mistral API
Για να χρησιμοποιήσετε το Voxtral Mini TTS μέσω του API, πρέπει πρώτα να αρχικοποιήσετε τον πελάτη με το κλειδί API σας:
from mistralai.client import Mistral
client = Mistral(api_key="your-api-key")
Το μοντέλο αναφέρεται στη συνέχεια με το αναγνωριστικό του voxtral-mini-tts-3-0 σε κάθε κλήση παραγωγής. Θα δείτε στα επόμενα μαθήματα πώς να δημιουργείτε φωνές και να παράγετε ομιλία· αυτό το αντικείμενο client θα είναι το σημείο εκκίνησης για όλα τα επόμενα παραδείγματα.
Αν προτιμάτε μια προσέγγιση χωρίς κώδικα, το Mistral Studio προσφέρει μια γραφική διεπαφή προσβάσιμη στο studio.mistral.ai. Εκεί, μπορείτε να ακούσετε διαθέσιμες επαγγελματικές φωνές, να ηχογραφήσετε τη δική σας φωνή απευθείας από τον περιηγητή, να δοκιμάσετε την παραγωγή φωνής με διαφορετικά κείμενα και να προσαρμόσετε παραμέτρους—γλώσσα, συναίσθημα, μορφή. Είναι το ιδανικό εργαλείο δημιουργίας πρωτοτύπων: επικυρώστε σε δέκα λεπτά ότι μια φωνή ταιριάζει στο έργο και στη συνέχεια μεταβείτε στον κώδικα μόλις ληφθεί η απόφαση.
Εξέλιξη του Οδικού Χάρτη
Η Mistral AI ανακοίνωσε ότι άλλα μοντέλα θα ενταχθούν στην οικογένεια Voxtral: ελαφρύτερα μοντέλα για ενσωματωμένες και κινητές εφαρμογές, πιο ισχυρά μοντέλα για παραγωγή εκφραστικής φωνής και συνεχείς βελτιώσεις στην πολυγλωσσική ποιότητα. Επομένως, σχεδιάστε τις ενσωματώσεις σας απομονώνοντας το όνομα του μοντέλου σε μια μεταβλητή διαμόρφωσης αντί να το διασκορπίζετε σε όλο τον κώδικά σας—την ημέρα που θα φτάσει ένας διάδοχος, η μετάβαση θα πάρει μόνο μία γραμμή. Μέχρι τότε, το voxtral-mini-tts-3-0 παραμένει η αναφορά και καλύπτει τη συντριπτική πλειοψηφία των επαγγελματικών περιπτώσεων χρήσης.
Βασικά σημεία
- Το κύριο μοντέλο είναι το
voxtral-mini-tts-3-0, βελτιστοποιημένο για ποιότητα και λανθάνοντα χρόνο - Διατίθενται προ-ενσωματωμένες επαγγελματικές φωνές για να ξεκινήσετε χωρίς δείγμα ήχου
- Το προηγούμενο μοντέλο έχει ανοιχτά βάρη και μπορεί να φιλοξενηθεί από εσάς (μη εμπορική χρήση)
- Το Mistral Studio προσφέρει γραφική διεπαφή για δοκιμές χωρίς κώδικα
- Το Mistral API και το Python SDK είναι τα σημεία εισόδου για ενσωμάτωση