Muuta teksti puheeksi ja luo omia ääniä Voxtral TTS:llä
Tällä sivulla
Päivitys 2. marraskuuta 2026 — Le Chat on nyt Vibe. 28. toukokuuta 2026 lähtien Le Chat on uudelleenbrändätty nimelle Vibe (osoitteessa chat.mistral.ai): se on yksi agentti työhön ja koodaukseen, joka säilyttää keskustelusi, asetuksesi ja tilauksesi. Vanha Le Chat -kokemus on edelleen saatavilla Chat-tilassa; Work-tilassa agenteista on tullut taitoja (kutsuttavissa merkillä
@), muistit toimivat tietopankkina ja syvähaku on nyt Deep Research -taito. Tilaukset tunnetaan nyt nimillä Mistral Free, Pro, Team ja Enterprise. Tässä oppitunnissa käytetään nimeä Vibe; huomaa, että jotkin tässä kuvatut valikot voivat olla muuttaneet nimeään tai sijaintiaan.
Anna tekstillesi ääni
Teksti puheeksi -teknologia (TTS) on täsmälleen käänteinen prosessi aiemmissa oppitunneissa opiskellemallesi transkriptiolle: puheen muuntamisen sijaan tekstiksi se muuntaa tekstin puheeksi. Voxtral TTS:n avulla Mistral tarjoaa huomattavan synteesilaadun, joka pystyy toistamaan luonnollisia intonaatioita, välittämään tunteita ja jopa kloonaamaan oman äänesi. Tämä viimeinen kohta ansaitsee huomiota, koska se muuttaa tehtävän luonnetta: et enää vain valitse ääntä luettelosta, vaan voit luoda oman äänesi.
Vibessä teksti puheeksi -toiminto on integroitu saumattomasti: avustaja voi lukea vastauksensa ääneen luonnollisella ja ilmeikkäällä äänellä. Asetuksistasi ja alustastasi riippuen tämä toisto käynnistyy joko automaattisesti äänitilassa tai pyynnöstä. Kuvittele valmistavasi illallista, kun Vibe tiivistää sinulle pitkän artikkelin: kuuntelet tiivistelmää näytön lukemisen sijaan ja kätesi pysyvät vapaina. Vibe tarjoaa useita ammattimaisia ääniä, jotka vaihtelevat sukupuolen (mies tai nainen), kielen (jokainen ääni on optimoitu yhdelle tai useammalle kielelle) ja sävyn mukaan; jotkin äänet kuulostavat lämpimämmiltä, kun taas toiset ovat neutraalimpia tai muodollisempia. Paras lähestymistapa on testata kahta tai kolmea ääntä samalla tekstillä: lämmin ääni sopii kertomuksiin, kun taas neutraali ääni sopii institutionaaliseen sisältöön.
Nollanäyteäänien kloonaus (Zero-Shot Voice Cloning)
Voxtral TTS:n vaikuttavin ominaisuus on nollanäyteäänien kloonaus (zero-shot voice cloning): vain 2–3 sekunnin mittaisesta ääninäytteestäsi malli pystyy tuottamaan puhetta, joka kuulostaa sinulta. “Nollanäyte” tarkoittaa, että pitkäaikainen koulutus ei ole tarpeen – pelkkä näyte riittää, kun taas aiemmat teknologiat vaativat tuntikausia studioaikaa. Malli tallentaa puheesi sävyvärin, rytmin ja ainutlaatuiset piirteet, tuottaen usein hämmästyttävän tarkan tuloksen.
Luot nämä äänet Mistral AI Studiossa, Mistralin edistyneessä käyttöliittymässä, neljässä vaiheessa:
- Siirry kohtaan Audio > Text to Speech
- Napsauta “My Voices” ja sen jälkeen “Add New Voice”
- Anna äänellesi nimi ja tallenna näyte joko lataamalla äänitiedosto tai äänittämällä suoraan mikrofonisi kautta
- Käytä kloonattua ääntäsi minkä tahansa tekstin muuntamiseen puheeksi
Yksi keskeinen käsite on “ääni ohjeena” (Voice-as-an-instruction) -periaate. Malli ei ainoastaan toista referenssiäänen sävyväriä, vaan se jäljentää myös tunteen ja intonaation. Jos näytteesi on energinen ja innostunut, myös tuotettu ääni on sellainen; jos puhut rauhallisesti ja harkiten, synteesi omaksuu saman rekisterin. Käytännössä tämä antaa sinulle odottamattoman viritysvivun: saadaksesi dynaamista kerrontaa, äänitä näytteesi energisesti; rauhallista dokumenttiääntä varten äänitä itsesi lukemaan hitaasti. Vaikutat lopputuloksen sävyyn yksinkertaisesti sillä, miten äänität itsesi.
Laajat monikieliset ominaisuudet
Voxtral TTS tukee yli 9 kieltä: englantia, ranskaa, espanjaa, portugalia, italiaa, hollantia, saksaa, hindiä ja arabiaa. Todellinen arvo piilee kuitenkin kahdessa edistyneessä ominaisuudessa. Ensimmäinen on kielten välinen kloonaus (cross-lingual cloning): voit käyttää ääninäytettä yhdellä kielellä ja tuottaa puhetta toisella kielellä säilyttäen alkuperäisen äänen ominaisuudet. Ranskankielinen näyte voi siis tuottaa englanninkielistä puhetta – puhujan luonnollisella ranskalaisella aksentilla, mikä tekee tuloksesta uskottavan ja henkilökohtaisen. Ajattele ranskankielistä opettajaa, joka haluaa tarjota e-oppimismoduulistaan englanninkielisen version omalla äänellään: tämä on juuri se käyttötapahtuma.
Toinen ominaisuus on kielten sekoittaminen (code-mixing): malli käsittelee luontevasti tekstiä, jossa sekoittuu useita kieliä. Jos tekstisi vuorottelee ranskan- ja englanninkielisten kohtien välillä – esimerkiksi esitys, joka on täynnä englanninkielisiä teknisiä termejä – ääni vaihtaa niiden välillä katkoitta.
Kloonauksen ja tekstin viimeistely
Tulosteen laatu riippuu suoraan syötteen laadusta. Ääninäytteen tavoitteena tulisi olla puhdas, 3–30 sekunnin mittainen tallenne ilman taustamelua: ei musiikkia, ei puheensorinaa, vain oma äänesi. Puhu luonnollisesti ja ilmeikkäästi – tasainen, monotoninen tallenne tuottaa robotimaisen äänen. Vältä täytesanoja kuten “öö” tai “niin” sekä muita epäröintejä, sillä malli integroi ne ääniprofiiliisi. Lopuksi, parhaan tuloksen saavuttamiseksi äänitä samalla kielellä kuin kohdeteksti, vaikka kielten välinen kloonaus toimisikin.
Syntetisoitava teksti vaatii myös hieman valmistelua. Kirjoita numerot auki – “kolmetuhattakaksisataa” eikä “3200” – ja pura lyhenteet käyttämällä esimerkiksi “Herra” sanan “Hr.” sijaan väärän ääntämisen välttämiseksi. Karkota emojit ja monimutkainen muotoilu, joilla ei ole vastinetta puheessa. Pysy alle 300 sanassa pyyntöä kohden optimaalisen laadun varmistamiseksi: jaa pitkät asiakirjat useampaan osaan.
Käytännön käyttötapahtumia on lukuisia: tuota ammattimaisia ääniraitoja videoihisi ilman studiota, tee artikkeleistasi saavutettavia näkövammaisille käyttäjille, prototypoi eri ääniä virtuaaliavustajalle ennen integraatiota, muuta kirjalliset materiaalit äänikursseiksi e-oppimista varten tai tuota kerrontaa TikTok- ja Instagram-sisältöösi.
Keskeiset asiat
- Voxtral TTS muuntaa tekstin luonnolliseksi puheeksi yli 9 kielellä
- Äänen kloonaus toimii vain 2–3 sekunnin tallenteella
- Referenssinäytteen tunne ja intonaatio vaikuttavat tuotettuun ääneen
- Kielten välinen kloonaus mahdollistaa toisella kielellä puhumisen omalla äänelläsi
- Onnistuneen kloonaus edellyttää puhdasta, luonnollista tallennetta, jonka pituus on 3–30 sekuntia