Lähe põhisisu juurde
Eesti— Vali keel
Menüü

Loo kohandatud hääl

Õppetund 5 / 14 Värskendatud 3. november 2026 Arendajatele
Sellel lehel
  1. Salvestisest kloonitud hääleni
  2. Valmista ette oma helinäidis
  3. Täielik Pythoni kood
  4. Salvesta otse brauserist
  5. Kontrolli oma häält
  6. Peamised punktid

Kursust uuendati 3. novembril 2026 Voxtral TTS 3 jaoks, tuginedes Migreeru Voxtral 2-st juhendile ja Mistrali Tekst kõneks lehtedele: voxtral-mini-tts-2603, mis tunnistati aegunuks 31. oktoobril 2026 ja eemaldatakse kasutusest 30. aprillil 2027, on näidetes asendatud mudeliga voxtral-mini-tts-3-0. Voxtral 2 eelmääratud hääled (gb_jane_neutral…) on endiselt aktsepteeritud; Voxtral 3 lisab teksti sisse sildid [emotion=…] ja [pace=…], seade expressiveness, kohandatud häälduse (phoneme_hints) ja toetab 35 keelt. Mistral soovitab pärast migreerumist latentsusaeg uuesti mõõta. Allikad: Migreeru Voxtral 2-st · Kõne genereerimine.

Salvestisest kloonitud hääleni

Kohandatud hääle loomine Voxtraliga taandub kahele sammule: valmista ette kõrgekvaliteediline helinäidis ja saada see seejärel API-le õigete parameetritega. Teine samm võtab aega kümme minutit; esimene väärib suuremat tähelepanu, sest just see määrab lõpptulemuse. See õppetund viib sind läbi sinu esimese hääle loomise protsessi.

Valmista ette oma helinäidis

Helinäidis on sinu hääle alustala: selle kvaliteet määrab otseselt sünteesitud kõne kvaliteedi. Mudel ei paranda midagi; see kordab täpselt seda, mida kuuleb.

Voxtral TTS 3 dokumentatsioon nõuab MP3 või WAV vormingus salvestist, mille kestus on mõnest sekundist mõne minutini (Voxtral 2 aktsepteeris 3 kuni 30 sekundit). Praktikas eristub kolm režiimi. Vahemikus 3 kuni 10 sekundit tabab mudel põhilist tembrit, kuid nüansse on vähem: hääl on äratuntav, kuid mitte päris elutruu. Vahemikus 10 kuni 20 sekundit saad hea kompromissi kvaliteedi ja lihtsuse vahel, mis piisab enamiku projektide jaoks. Üle 20 sekundi annad mudelile piisavalt materjali, et tabada peensusi – rütmi, intonatsiooni, neid mikrovariatsioone, mis võimaldavad sõbral sind ära tunda kahe sõna põhjal.

Järele jääb küsimus, mida öelda – teema, mis paneb rohkem inimesi kui arvata oskad salvestamise hetkel seisma. Siin on võrdlustekst, mida Mistral soovitab:

„Ma salvestan helinäidist, et kloonida oma häält. Kui see on tehtud, saan genereerida kõnet, mis kõlab nagu mina. On uskumatu, kuidas tehisintellekt suudab tabada minu kõneviisi, tooni, rütmi ja isegi väikeseid eripärasid, mis teevad mu hääle unikaalseks.”

See tekst pole juhuslik: see on loodud katma inglise keeles erinevaid helisid ja intonatsioone, sisaldades lahtisi ja kinniseid täishäälikuid, sulghäälikuid ja hüüdlauseid. Faili osas aktsepteerib API levinud vorminguid – MP3, WAV, FLAC, OGG – ja fail kodeeritakse enne saatmist base64-vormingusse.

Täielik Pythoni kood

Siin on kood hääle loomiseks, kasutades kõiki saadaolevaid parameetreid:

import base64
from pathlib import Path
from mistralai.client import Mistral

client = Mistral(api_key="your-api-key")

# Loeme ja kodeerime helinäidise
audio_path = Path("my-sample.mp3")
sample_audio_b64 = base64.b64encode(audio_path.read_bytes()).decode()

# Loome hääle kõigi parameetritega
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}")

Ainult kaks parameetrit on kohustuslikud:

  • name: sinu hääle kuvatav nimi. Vali kirjeldav nimi, mis võimaldab seda hõlpsasti identifitseerida (nt support-assistant-en, podcast-intro)
  • sample_audio: base64-vormingus kodeeritud helinäidis. See on ainus parameeter, mida pärast loomist muuta ei saa

Ülejäänud on valikulised, kuid igal neist on konkreetne eesmärk:

  • sample_filename: algne failinimi. Aitab API-l tuvastada helivormingut
  • slug: URL-i sõbralik identifikaator. Kui see jäetakse välja, genereeritakse see automaatselt nime põhjal
  • languages: ISO keelekoodide massiiv (nt ["en", "fr", "es"]). Näitab keeli, mille jaoks see hääl on optimeeritud
  • gender: "male" või "female". Kasutatakse liideses filtreerimiseks
  • age: täisarv, mis tähistab kõneleja ligikaudset vanust. Aitab häält kategoriseerida
  • tags: vabavormiliste stringide massiiv oma häälte organiseerimiseks (nt ["commercial", "dynamic"])

Ühe häälega projekti puhul võid olla kiusatus kõike muud välja jätta. Kuid kolmekümnest häälest koosneva kataloogi puhul, mis on jagatud mitme kliendi vahel, säästavad loomisel määratud sildid ja keeled sind tundide jagu sorteerimisest.

Salvesta otse brauserist

Kui eelistad helifailidega mitte tegeleda, võimaldab Mistral Studio salvestada otse oma brauserist:

  1. Mine jaotisse Audio > Text to Speech
  2. Klõpsa My Voices ja seejärel Add a new voice
  3. Sisesta oma hääle nimi
  4. Klõpsa salvestusnuppu ja räägi 10 kuni 30 sekundit
  5. Kinnita – sinu hääl on kohe saadaval

See meetod toimib suurepäraselt kiirete testide jaoks või siis, kui isik, kes oma hääle laenab, ei ole see, kes koodi kirjutab – näitleja või juht on nõus harjutust brauseris tegema palju suurema tõenäosusega kui terminalis.

Kontrolli oma häält

Ära liigu edasi, enne kui tulemust kuulad. Niipea kui loomine on lõppenud, genereeri testlause:

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!")

Kuula kõrvaklappidega, mitte sülearvuti kõlaritest: tembrivead on seal kuulmatud. Kui tulemus sind ei rahulda, loo uus hääl parema näidisega, selle asemel et sama uuesti kasutada – API ei võimalda olemasoleva hääle heli niikuinii asendada ja halva salvestise peale jäämine ainult lükkab probleemi edasi.

Peamised punktid

  • Salvestis (MP3 või WAV) võib kesta mõnest sekundist mõne minutini; püüa saada vähemalt 10 kuni 20 sekundit varieeruvat kõnet
  • Helifail kodeeritakse enne API-le saatmist base64-vormingusse
  • Parameetrid name ja sample_audio on kohustuslikud; ülejäänud on valikulised
  • Mistral Studio võimaldab salvestada otse brauserist
  • Testi oma häält alati kohe pärast loomist