Βασική Δημιουργία Ομιλίας
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…) γίνονται ακόμη δεκτές· το Voxtral 3 προσθέτει ετικέτες[emotion=…]και[pace=…]μέσα στο κείμενο, τη ρύθμισηexpressiveness, προσαρμοσμένη προφορά (phoneme_hints) και υποστήριξη 35 γλωσσών. Η Mistral συνιστά να επαναμετρήσετε τον χρόνο απόκρισης (latency) μετά τη μετάβαση. Πηγές: Migrate from Voxtral 2 · Speech generation.
Η Πρώτη Σας Δημιουργία Φωνής
Πλέον γνωρίζετε πώς να δημιουργείτε μια φωνή και να τη διαχειρίζεστε μέσω του API Voices. Το τελευταίο βήμα είναι να κάνετε ακριβώς αυτό για το οποίο δουλέψατε: να παράγετε ήχο. Το API Ομιλίας της Mistral συνοψίζεται σε μία και μοναδική κλήση, την client.audio.speech.complete(), η οποία δέχεται κείμενο και ένα αναγνωριστικό φωνής (voice ID) και επιστρέφει ήχο κωδικοποιημένο σε base64. Αυτό το μάθημα καλύπτει τη βασική δημιουργία με μια αποθηκευμένη φωνή· η κλωνοποίηση σε πραγματικό χρόνο και η ροή δεδομένων (streaming) ακολουθούν στη συνέχεια.
Ο παρακάτω κώδικας είναι ό,τι χρειάζεστε για να μετατρέψετε μια πρόταση σε αρχείο MP3 στον δίσκο σας. Δώστε ιδιαίτερη προσοχή στο τελευταίο βήμα: η απόκριση δεν περιέχει raw bytes ήχου που μπορείτε να χρησιμοποιήσετε απευθείας, αλλά μια συμβολοσειρά base64 την οποία πρέπει να αποκωδικοποιήσετε πριν γράψετε το αρχείο. Αυτό είναι το κλασικό λάθος των αρχαρίων—η αποθήκευση της συμβολοσειράς ως έχει κάνει τους αναπαραγωγείς ήχου να αρνούνται να ανοίξουν το αρχείο.
import base64
from pathlib import Path
from mistralai.client import Mistral
client = Mistral(api_key="your-api-key")
# Generate speech with a saved voice
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Hello and welcome to this course on Voxtral TTS.",
voice_id="your-voice-id",
response_format="mp3",
)
# Decode base64 and save to file
audio_bytes = base64.b64decode(response.audio_data)
Path("output.mp3").write_bytes(audio_bytes)
print(f"Audio generated: {len(audio_bytes)} bytes")
Τι Ελέγχει Κάθε Παράμετρος
Η παράμετρος model καθορίζει το μοντέλο σύνθεσης. Από σήμερα, το voxtral-mini-tts-3-0 είναι το μόνο διαθέσιμο, αλλά πρέπει πάντα να το ορίζετε ρητά: όταν εμφανιστούν άλλα μοντέλα, ο κώδικάς σας θα συνεχίσει να παράγει ακριβώς την ίδια φωνή με σήμερα.
Η παράμετρος input δέχεται το κείμενο προς εκφώνηση και είναι μακράν η παράμετρος που απαιτεί τη μεγαλύτερη προσοχή. Η τεκμηρίωση του Voxtral 2 συνέστηνε να μην ξεπερνάτε τις 300 λέξεις ανά αίτημα· η τεκμηρίωση του Voxtral TTS 3 δεν ορίζει πλέον όριο, αλλά τα αιτήματα μίας παραγράφου παραμένουν ευκολότερα στον έλεγχο και την αναπαραγωγή. Αποφύγετε τα emoji, τα οποία το μοντέλο δεν μπορεί να ερμηνεύσει, καθώς και τη σύνθετη μορφοποίηση—Markdown, HTML, ειδικοί χαρακτήρες—τα οποία τελικά διαβάζονται κυριολεκτικά. Τέλος, γράφετε αναλυτικά τους αριθμούς και τις συντομογραφίες: «twenty-three» αντί για «23», «Limited Liability Company» αντί για «LLC». Ένας φωνητικός πράκτορας που δυσκολεύεται με τους αριθμούς ενώ ανακοινώνει ένα ποσό χάνει την αξιοπιστία του μέσα σε μία πρόταση.
Το voice_id προσδιορίζει τη φωνή που θα χρησιμοποιηθεί. Το αποκτάτε με τρεις τρόπους: δημιουργώντας μια φωνή με την client.audio.voices.create() (δείτε το μάθημα 5), listing τις υπάρχουσες φωνές σας με την client.audio.voices.list(), ή επαναχρησιμοποιώντας το ID μιας επαγγελματικής φωνής της Mistral. Τέλος, το response_format ορίζει τη μορφή εξόδου μεταξύ των mp3, wav, pcm, flac και opus. Αυτή η επιλογή επηρεάζει τόσο το μέγεθος του αρχείου όσο και τον χρόνο απόκρισης (latency), και το μάθημα 12 είναι αφιερωμένο εξ ολοκλήρου σε αυτό.
Κλιμάκωση: Ένα Κεφάλαιο Βιβλίου Ήχου
Για κείμενα ελαφρώς μεγαλύτερου μήκους, ο διαχωρισμός παραμένει η βέλτιστη πρακτική. Η αρχή είναι απλή: προετοιμάστε μια λίστα με παραγράφους, δημιουργήστε καθεμία ξεχωριστά και στη συνέχεια συσσωρεύστε τα αποκωδικοποιημένα bytes σε έναν ενιαίο buffer πριν γράψετε το τελικό αρχείο.
import base64
from pathlib import Path
from mistralai.client import Mistral
client = Mistral(api_key="your-api-key")
voice_id = "your-voice-id"
# Text split into paragraphs
paragraphs = [
"First paragraph of the chapter. The narrator introduces the context.",
"Second paragraph. The action begins to develop.",
"Third paragraph. Suspense builds gradually.",
]
full_audio = b""
for i, text in enumerate(paragraphs):
print(f"Generating 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("Audio chapter generated successfully!")
Αυτό το σενάριο λειτουργεί επειδή παράγει WAV, μια μη συμπιεσμένη μορφή της οποίας τα τμήματα μπορούν να συνενωθούν άκρο με άκρο χωρίς ειδική επεξεργασία. Αν δοκιμάσετε το ίδιο με MP3 ή Opus, το αποτέλεσμα θα είναι άχρηστο: αυτές οι συμπιεσμένες μορφές φέρουν κεφαλίδες και δομές πλαισίων (frames) που η απλή συνένωση καταστρέφει. Αντ’ αυτού, χρησιμοποιήστε μια βιβλιοθήκη όπως η pydub, η οποία αποκωδικοποιεί κάθε τμήμα πριν τα συγχωνεύσει καθαρά.
Όταν η Δημιουργία Αποτυγχάνει
Σε περιβάλλον παραγωγής, πρέπει να προστατεύετε την κλήση. Ένα voice_id που διαγράφηκε χθες από συνάδελφο, κείμενο που μεγαλώνει σιωπηλά επειδή συνενώθηκε ένα πεδίο, ένα όριο API (quota) που εξαντλήθηκε στο τέλος του μήνα, μια λανθασμένη ορθογραφία στη μορφή εξόδου: καθεμία από αυτές τις καταστάσεις προκαλεί εξαίρεση και, χωρίς δικλείδες ασφαλείας, η επεξεργασία παρτίδας σας σταματά στη μέση του συνόλου δεδομένων.
try:
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Text to convert to speech.",
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"Error during generation: {e}")
Αφιερώστε χρόνο για να δοκιμάσετε αυτή τη διαδρομή χειρισμού σφαλμάτων πριν πάτε σε παραγωγή: δημιουργήστε σκόπιμα με ένα ψεύτικο voice_id και επαληθεύστε ότι η εφαρμογή σας το σηματοδοτεί καθαρά, αντί να παράγει ένα κενό αρχείο.
Βασικά σημεία
- Η δημιουργία χρησιμοποιεί την
client.audio.speech.complete()με το μοντέλοvoxtral-mini-tts-3-0 - Διαχωρίζετε τα μεγάλα κείμενα σε παραγράφους και αποφεύγετε τα emoji και τη μορφοποίηση
- Γράφετε αναλυτικά τους αριθμούς και τις συντομογραφίες για σωστή προφορά
- Ο επιστρεφόμενος ήχος είναι σε base64—αποκωδικοποιήστε τον πριν την αποθήκευση
- Για μεγάλα κείμενα, χωρίστε τα σε τμήματα και συνενώστε τα αποτελέσματα