Lähe põhisisu juurde
Eesti— Vali keel
Menüü

Helivormingud

Õppetund 12 / 14 Värskendatud 3. november 2026 Arendajatele
Sellel lehel
  1. Õige väljundvormingu valimine
  2. MP3: universaalne standard
  3. WAV: maksimaalne kvaliteet
  4. PCM: reaalajas vorming
  5. FLAC: kadudeta tihendus
  6. Opus: kaasaegne kompromiss
  7. Otsuse langetamine ühe minutiga
  8. Peamised punktid

Kursust uuendati 3. novembril 2026 Voxtral TTS 3 jaoks, tuginedes juhendile Migrate from Voxtral 2 ja Mistrali lehele Text to Speech: voxtral-mini-tts-2603, mis tunnistati aegunuks 31. oktoobril 2026 ja eemaldatakse 30. aprillil 2027, on näidetes asendatud mudeliga voxtral-mini-tts-3-0. Voxtral 2 eelmääratud hääled (gb_jane_neutral…) on endiselt toetatud; Voxtral 3 lisab teksti sisse sildid [emotion=…] ja [pace=…], seade expressiveness, kohandatud häälduse (phoneme_hints) ja toetab 35 keelt. Mistral soovitab pärast üleminekut latentsusaeg uuesti mõõta. Allikad: Migrate from Voxtral 2 · Speech generation.

Õige väljundvormingu valimine

Parameeter response_format aktsepteerib viit väärtust. See esmapilgul lihtne valik mõjutab rohkem, kui arvata oskad: see määrab helikvaliteedi, salvestatavate failide suuruse, kasutaja tajutava latentsusaja ja ühilduvuse nende meediaesitajatega. PCM-vormingus edastatud podkast on poolele sinu kuulajaskonnast esitamatu; MP3-vormingus häälagent jääb iga vastusega kahe sekundi võrra maha. Allpool olev tabel annab ülevaate, ülejäänud tund selgitab, millal iga vormingut kasutada.

Vorming Tihendus Kvaliteet Voogedastuse latentsus Peamine kasutusvaldkond
MP3 Kadudega Hea ~2 sekundit Üldkasutus, failid
WAV Puudub (PCM) Maksimaalne Keskmine Järeltöötlus, heliraamatud
PCM Puudub (toores) Maksimaalne ~0,7 sekundit Reaalajas voogedastus
FLAC Kadudeta Maksimaalne Keskmine Arhiveerimine, profikvaliteet
Opus Kadudega Väga hea Madal Voogedastus, VoIP, piiratud ribalaius

Selles tabelis toodud latentsusajad on ligikaudsed suurused, mis on mõõdetud Voxtral 2-ga; mõõda need uuesti Voxtral TTS 3-ga, mis toodab kõigil juhtudel monoheli sagedusega 24 kHz.

MP3: universaalne standard

MP3 on endiselt levinuim vorming: iga brauser, telefon ja meediaesitaja loeb seda loomupäraselt ning see sisaldab ID3-metaandmeid, mida podkastiplatvormid nõuavad. Selle tihendus on kadudega, seega on kvaliteet veidi madalam kui WAV-il, kuid kõne puhul on erinevus harva kuuldav. Tegelik puudus peitub mujal: voogedastusel peab kodeerija enne esimese kaadri loomist andmeid koguma, lükates esimese heli edasi umbes kahe sekundi võrra. Vali see vorming allalaaditavate failide, podkastide või standardse veebiintegreerimise jaoks – mitte kunagi vestluseks.

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: maksimaalne kvaliteet

WAV sisaldab tihendamata PCM-heli, pakkudes parimat võimalikku kvaliteeti ilma igasuguste kadudeta. Kuna dekodeerida pole midagi ja helitöötlusprogrammid tunnevad seda vormingut universaalselt, on see loomulik lähtepunkt igale järeltöötlusahelale: sa redigeerid, võrdsustad ja tihendad, seejärel ekspordid soovitud levitusvormingusse. Kompromissiks on faili suurus – umbes kümme korda suurem kui MP3-l – ja sellest tulenevad ribalaiuse nõuded.

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",
)

Kasuta seda stuudiokvaliteediga heliraamatute, arhiveerimise ja kõige jaoks, mida plaanid hiljem redigeerida.

PCM: reaalajas vorming

PCM (Pulse Code Modulation) on toores Float32 Little-Endian heli ilma päise või kapseldamiseta. See alasti olek on nii selle tugevus kui ka nõrkus. Tugevus: midagi pole kodeerida ega dekodeerida, esimene heli saabub umbes 0,7 sekundiga ja vastuvõetud bitid kirjutatakse otse helikaardile. Nõrkus: ilma päiseta pead proovisageduse ja vormingu ise teadma ja edastama – just seetõttu deklareeris 10. tunni näide pyaudio kasutamisel selgelt paFloat32, ühe kanali ja 24 000 Hz. Failid on samuti väga suured ja ükski tarbijale mõeldud esitaja ei ava neid otse.

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

See on vorming reaalajas häälabilistele, vestlusagentidele ja WebRTC-rakendustele.

FLAC: kadudeta tihendus

FLAC vähendab faili suurust 50–60%, puutumata ühtegi proovi: kvaliteet on rangelt identne WAV-iga ja sa säilitad metaandmed. Praktikas on see sinu arhiveerimisvorming: salvesta oma originaalfailid FLAC-i ja saad aastaid hiljem genereerida MP3 või Opus’i, kannatamata topelttihenduse all, mis heli halvendab. See nõuab dekodeerijat, muutes selle vähem universaalseks kui 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: kaasaegne kompromiss

Opus on reaalajas suhtluseks loodud kodeerija, mis pakub suurepärast kvaliteeti väga madalatel bitikiirustel. Mobiilirakenduses, mis töötab halvenenud 4G-võrgus, edastab see selget häält seal, kus WAV ühenduse ummistaks, pakkudes madalat voogedastuse latentsust – kõrgem kui PCM-il, kuid palju madalam kui MP3-l. Ühilduvus on aga ebaühtlane: mitte kõik esitajad ei toeta seda loomupäraselt ja mõned nõuavad OGG-konteinerit.

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

See on valik VoIP-i, piiratud ribalaiusega voogedastuse ja mobiilirakenduste jaoks.

Otsuse langetamine ühe minutiga

Uue projekti ees seistes otsusta selles järjekorras. Kui tegeled reaalajas voogedastusega, vali minimaalse latentsuse jaoks PCM või Opus, kui ribalaius on sama oluline kui reageerimisvõime. Vastasel juhul küsi, kus faili esitatakse: brauseris tagab MP3 maksimaalse ühilduvuse. Kui seda tuleb hiljem redigeerida, annab WAV kõige hõlpsamini töödeldava materjali. Kui see tuleb arhiveerida ilma ühtegi detsibelli kaotamata, tihendab FLAC midagi ohverdamata. Ja kui domineerivaks piiranguks on aeglane võrk, pakub Opus parimat kvaliteedi ja suuruse suhet.

Peamised punktid

  • MP3 on vaikimisi valik universaalse ühilduvuse jaoks
  • PCM pakub madalaimat latentsust reaalajas voogedastuseks (~0,7 s)
  • WAV pakub parimat tihendamata kvaliteeti, ideaalne järeltöötluseks
  • FLAC tihendab kadudeta – sama kvaliteet kui WAV-il, väiksemad failid
  • Opus on parim kvaliteedi ja suuruse kompromiss võrgurakenduste jaoks