Crear una voz personalizada
En esta página
Curso actualizado el 3 de noviembre de 2026 para Voxtral TTS 3, basado en la guía Migrate from Voxtral 2 y en las páginas de Text to Speech de Mistral:
voxtral-mini-tts-2603, obsoleto desde el 31 de octubre de 2026 y retirado el 30 de abril de 2027, se sustituye en los ejemplos porvoxtral-mini-tts-3-0. Las voces predefinidas de Voxtral 2 (gb_jane_neutral…) siguen siendo aceptadas; Voxtral 3 añade las etiquetas[emotion=…]y[pace=…]en el texto, el parámetroexpressiveness, la pronunciación personalizada (phoneme_hints) y 35 idiomas. Mistral recomienda volver a medir la latencia tras la migración. Fuentes: Migrate from Voxtral 2 · Speech generation.
De la grabación a la voz clonada
Crear una voz personalizada con Voxtral se reduce a dos pasos: preparar una muestra de audio de alta calidad y enviarla a la API con los parámetros adecuados. El segundo paso lleva diez minutos; el primero merece más atención, porque determina el resultado. Esta lección te guía en la creación de tu primera voz.
Preparar tu muestra de audio
La muestra de audio es la base de tu voz: su calidad determina directamente la calidad del habla sintetizada. El modelo no corrige nada; reproduce lo que oye.
Con Voxtral TTS 3, la documentación solicita una grabación en MP3 o WAV de unos pocos segundos a unos pocos minutos (Voxtral 2 aceptaba entre 3 y 30 segundos). En la práctica, destacan tres regímenes. Entre 3 y 10 segundos, el modelo captura el timbre básico, pero con menos matices: la voz será reconocible sin llegar a ser realmente realista. Entre 10 y 20 segundos, obtienes un buen compromiso entre calidad y sencillez, suficiente para la mayoría de proyectos. Más allá de 20 segundos, proporcionas al modelo material suficiente para captar sutilezas: ritmo, entonación, esas microvariaciones que permiten a un amigo reconocerte en dos palabras.
La pregunta restante es qué decir, un asunto que bloquea a más personas de las que imaginas cuando llega el momento de grabar. Aquí tienes un guion de referencia que recomienda 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.”
Este texto no es arbitrario: está diseñado para cubrir una variedad de sonidos y entonaciones en inglés, con vocales abiertas y cerradas, consonantes oclusivas y una frase exclamativa. En cuanto al archivo, la API acepta formatos comunes: MP3, WAV, FLAC, OGG, y el archivo se codifica en base64 antes del envío.
Código Python completo
Aquí tienes el código para crear una voz con todos los parámetros disponibles:
import base64
from pathlib import Path
from mistralai.client import Mistral
client = Mistral(api_key="your-api-key")
# Leer y codificar la muestra de audio
audio_path = Path("my-sample.mp3")
sample_audio_b64 = base64.b64encode(audio_path.read_bytes()).decode()
# Crear la voz con todos los parámetros
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"¡Voz creada correctamente!")
print(f" ID : {voice.id}")
print(f" Nombre : {voice.name}")
print(f" Idiomas : {voice.languages}")
Solo dos parámetros son obligatorios:
name: el nombre visible de tu voz. Elige un nombre descriptivo que te permita identificarla fácilmente (por ejemplo,support-assistant-en,podcast-intro)sample_audio: la muestra de audio codificada en base64. Es el único parámetro que no se puede modificar tras la creación
Los demás son opcionales, pero cada uno cumple una función concreta:
sample_filename: el nombre original del archivo. Ayuda a la API a detectar el formato de audioslug: un identificador apto para URL. Si se omite, se genera automáticamente a partir del nombrelanguages: un array de códigos de idioma ISO (por ejemplo,["en", "fr", "es"]). Indica los idiomas para los que esta voz está optimizadagender:"male"o"female". Se usa para filtrar en la interfazage: un entero que representa la edad aproximada del hablante. Ayuda a categorizar la voztags: un array de cadenas de texto libre para organizar tus voces (por ejemplo,["commercial", "dynamic"])
En un proyecto con una sola voz, podrías sentir la tentación de omitirlo todo. En un catálogo de treinta voces repartidas entre varios clientes, las etiquetas y los idiomas especificados en la creación te ahorrarán horas de clasificación.
Grabar desde el navegador
Si prefieres no manejar archivos de audio, Mistral Studio te permite grabar directamente desde el navegador:
- Ve a la sección Audio > Text to Speech
- Haz clic en My Voices y luego en Add a new voice
- Introduce el nombre de tu voz
- Pulsa el botón de grabación y habla durante 10 a 30 segundos
- Confirma: tu voz estará disponible de inmediato
Este método funciona perfectamente para pruebas rápidas o cuando la persona que presta su voz no es quien escribe el código; un actor o un directivo estará más dispuesto a hacer el ejercicio en un navegador que en una terminal.
Verificar tu voz
No avances sin escuchar el resultado. En cuanto finalice la creación, genera una frase de prueba:
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("Archivo test-voice.mp3 generado — ¡escucha el resultado!")
Escucha con auriculares, no con los altavoces del portátil: los defectos de timbre son inaudibles ahí. Si el resultado no te satisface, crea una nueva voz con una muestra mejor en lugar de reutilizar la misma; la API no permite sustituir el audio de una voz existente y, además, insistir en una grabación deficiente solo pospondrá el problema.
Puntos clave
- La grabación (MP3 o WAV) puede durar desde unos pocos segundos hasta unos pocos minutos; apunta a al menos 10 a 20 segundos de habla variada
- El archivo de audio se codifica en base64 antes de enviarlo a la API
- Los parámetros
nameysample_audioson obligatorios; los demás son opcionales - Mistral Studio permite grabar directamente desde el navegador
- Prueba siempre tu voz inmediatamente después de crearla