Δημιουργία Προσαρμοσμένης Φωνής
Σε αυτήν τη σελίδα
Το μάθημα ενημερώθηκε στις 3 Νοεμβρίου 2026 για το Voxtral TTS 3, βάσει του οδηγού Migrate from Voxtral 2 και των σελίδων 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…) γίνονται ακόμη δεκτές· το Voxtral 3 προσθέτει ετικέτες[emotion=…]και[pace=…]στο κείμενο, τη ρύθμισηexpressiveness, προσαρμοσμένη προφορά (phoneme_hints) και υποστήριξη 35 γλωσσών. Η Mistral συνιστά επαναμέτρηση του λανθάνοντος χρόνου (latency) μετά τη μετάβαση. Πηγές: Migrate from Voxtral 2 · Speech generation.
Από την Ηχογράφηση στην Κλωνοποιημένη Φωνή
Η δημιουργία μιας προσαρμοσμένης φωνής με το Voxtral ανάγεται σε δύο βήματα: προετοιμάστε ένα δείγμα ήχου υψηλής ποιότητας και, στη συνέχεια, στείλτε το στο API με τις σωστές παραμέτρους. Το δεύτερο βήμα διαρκεί δέκα λεπτά· το πρώτο αξίζει περισσότερη προσοχή, καθώς καθορίζει το τελικό αποτέλεσμα. Αυτό το μάθημα θα σας καθοδηγήσει στη δημιουργία της πρώτης σας φωνής.
Προετοιμασία του Δείγματος Ήχου
Το δείγμα ήχου αποτελεί τη βάση της φωνής σας: η ποιότητά του καθορίζει άμεσα την ποιότητα του συνθετικού λόγου. Το μοντέλο δεν διορθώνει τίποτα· αναπαράγει ακριβώς αυτό που ακούει.
Με το Voxtral TTS 3, η τεκμηρίωση ζητά μια ηχογράφηση MP3 ή WAV διάρκειας λίγων δευτερολέπτων έως λίγων λεπτών (το Voxtral 2 δεχόταν 3 έως 30 δευτερόλεπτα). Στην πράξη, διακρίνονται τρία καθεστώτα. Μεταξύ 3 και 10 δευτερολέπτων, το μοντέλο καταγράφει τη βασική χροιά, αλλά με λιγότερες αποχρώσεις: η φωνή θα είναι αναγνωρίσιμη, χωρίς όμως να είναι πραγματικά ρεαλιστική. Μεταξύ 10 και 20 δευτερολέπτων, επιτυγχάνετε μια καλή ισορροπία μεταξύ ποιότητας και απλότητας, επαρκή για τα περισσότερα έργα. Πέραν των 20 δευτερολέπτων, παρέχετε στο μοντέλο αρκετό υλικό για να κατανοήσει τις λεπτομέρειες—ρυθμό, τονισμό, εκείνες τις μικρο-παραλλαγές που επιτρέπουν σε έναν φίλο να σας αναγνωρίσει με δύο λέξεις.
Το ερώτημα που απομένει είναι τι θα πείτε, ένα ζήτημα που δυσκολεύει περισσότερους ανθρώπους από ό,τι νομίζετε όταν έρθει η ώρα της ηχογράφησης. Ορίστε ένα ενδεικτικό κείμενο που προτείνει η Mistral:
“I am recording an audio sample to clone my voice. Once finished, I will be able to generate speech that sounds like me. It is incredible how AI can capture my way of speaking, my tone, my rhythm, and even the small quirks that make my voice unique.”
Αυτό το κείμενο δεν είναι τυχαίο: έχει σχεδιαστεί για να καλύψει μια ποικιλία ήχων και τονισμών στα Αγγλικά, με ανοικτά και κλειστά φωνήεντα, κλειστά σύμφωνα και μια επιφωνηματική πρόταση. Όσον αφορά το αρχείο, το API δέχεται κοινές μορφές—MP3, WAV, FLAC, OGG—και το αρχείο κωδικοποιείται σε base64 πριν την αποστολή.
Πλήρης Κώδικας Python
Ορίστε ο κώδικας για τη δημιουργία μιας φωνής με όλες τις διαθέσιμες παραμέτρους:
import base64
from pathlib import Path
from mistralai.client import Mistral
client = Mistral(api_key="your-api-key")
# Read and encode the audio sample
audio_path = Path("my-sample.mp3")
sample_audio_b64 = base64.b64encode(audio_path.read_bytes()).decode()
# Create the voice with all parameters
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"Voice created successfully!")
print(f" ID : {voice.id}")
print(f" Name : {voice.name}")
print(f" Languages : {voice.languages}")
Μόνο δύο παράμετροι είναι υποχρεωτικές:
name: η εμφανιζόμενη ονομασία της φωνής σας. Επιλέξτε ένα περιγραφικό όνομα που σας επιτρέπει να την αναγνωρίζετε εύκολα (π.χ.support-assistant-en,podcast-intro)sample_audio: το δείγμα ήχου κωδικοποιημένο σε base64. Αυτή είναι η μόνη παράμετρος που δεν μπορεί να τροποποιηθεί μετά τη δημιουργία
Οι υπόλοιπες είναι προαιρετικές, αλλά η καθεμία εξυπηρετεί έναν συγκεκριμένο σκοπό:
sample_filename: το αρχικό όνομα του αρχείου. Βοηθά το API να εντοπίσει τη μορφή του ήχουslug: ένα αναγνωριστικό φιλικό προς URLs. Αν παραλειφθεί, δημιουργείται αυτόματα από το όνομαlanguages: ένας πίνακας με κωδικούς γλωσσών ISO (π.χ.["en", "fr", "es"]). Υποδεικνύει τις γλώσσες για τις οποίες είναι βελτιστοποιημένη η φωνήgender:"male"ή"female". Χρησιμοποιείται για φιλτράρισμα στη διεπαφήage: ένας ακέραιος αριθμός που αντιπροσωπεύει την κατά προσέγγιση ηλικία του ομιλητή. Βοηθά στην κατηγοριοποίηση της φωνήςtags: ένας πίνακας με συμβολοσειρές ελεύθερης μορφής για την οργάνωση των φωνών σας (π.χ.["commercial", "dynamic"])
Σε ένα έργο με μία μόνο φωνή, μπορεί να πειραστείτε να παραλείψετε τα πάντα. Σε έναν κατάλογο τριάντα φωνών κατανεμημένων σε πολλούς πελάτες, οι ετικέτες και οι γλώσσες που ορίζονται κατά τη δημιουργία θα σας εξοικονομήσουν ώρες ταξινόμησης.
Ηχογράφηση από τον Περιηγητή
Αν προτιμάτε να μην ασχοληθείτε με αρχεία ήχου, το Mistral Studio σας επιτρέπει να κάνετε ηχογράφηση απευθείας από τον περιηγητή σας:
- Μεταβείτε στην ενότητα Audio > Text to Speech
- Κάντε κλικ στο My Voices και στη συνέχεια στο Add a new voice
- Εισαγάγετε το όνομα της φωνής σας
- Πατήστε το κουμπί ηχογράφησης και μιλήστε για 10 έως 30 δευτερόλεπτα
- Επιβεβαιώστε—η φωνή σας είναι άμεσα διαθέσιμη
Αυτή η μέθοδος λειτουργεί άψογα για γρήγορες δοκιμές ή όταν το άτομο που δανείζει τη φωνή του δεν είναι αυτό που γράφει τον κώδικα—ένας ηθοποιός ή στέλεχος θα είναι πιο πρόθυμο να κάνει την άσκηση σε έναν περιηγητή παρά σε ένα τερματικό.
Επαλήθευση της Φωνής σας
Μην προχωρήσετε ποτέ χωρίς να ακούσετε το αποτέλεσμα. Μόλις ολοκληρωθεί η δημιουργία, δημιουργήστε μια δοκιμαστική πρόταση:
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("File test-voice.mp3 generated — listen to the result!")
Ακούστε το με ακουστικά, όχι με τα ηχεία του λάπτοπ: εκεί τα ελαττώματα της χροιάς είναι απαρατήρητα. Αν το αποτέλεσμα δεν σας ικανοποιεί, δημιουργήστε μια νέα φωνή με καλύτερο δείγμα αντί να επαναχρησιμοποιήσετε το ίδιο—το API δεν επιτρέπει ούτως ή άλλως την αντικατάσταση του ήχου μιας υπάρχουσας φωνής και η επιμονή σε μια κακή ηχογράφηση θα αναβάλει απλώς το πρόβλημα.
Βασικά σημεία
- Η ηχογράφηση (MP3 ή WAV) μπορεί να διαρκέσει από λίγα δευτερόλεπτα έως λίγα λεπτά· στοχεύστε σε τουλάχιστον 10 έως 20 δευτερόλεπτα ποικίλου λόγου
- Το αρχείο ήχου κωδικοποιείται σε base64 πριν την αποστολή στο API
- Οι παράμετροι
nameκαιsample_audioείναι υποχρεωτικές· οι υπόλοιπες είναι προαιρετικές - Το Mistral Studio σας επιτρέπει να κάνετε ηχογράφηση απευθείας από τον περιηγητή
- Δοκιμάζετε πάντα τη φωνή σας αμέσως μετά τη δημιουργία της