Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Äänimuodot

Oppitunti 12 / 14 Päivitetty 3. marraskuuta 2026 Kehittäjä
Tällä sivulla
  1. Oikean tulostusmuodon valinta
  2. MP3: Yleinen standardi
  3. WAV: Maksimaalinen laatu
  4. PCM: Reaaliaikamuoto
  5. FLAC: Häviötön pakkaus
  6. Opus: Nykyaikainen kompromissi
  7. Päätös minuutissa
  8. Keskeiset asiat

Kurssi päivitetty 3. marraskuuta 2026 Voxtral TTS 3:ta varten perustuen Migrate from Voxtral 2 -oppaaseen ja Mistralin Text to Speech -sivuihin: voxtral-mini-tts-2603, joka poistui käytöstä 31. lokakuuta 2026 ja poistetaan kokonaan 30. huhtikuuta 2027, on korvattu esimerkeissä mallilla voxtral-mini-tts-3-0. Voxtral 2:n esiasetellut äänet (gb_jane_neutral…) ovat edelleen tuettuja; Voxtral 3 lisää tekstiin [emotion=…]- ja [pace=…]-tagit, expressiveness-asetuksen, mukautetun ääntämisen (phoneme_hints) sekä tuen 35 kielelle. Mistral suosittelee viiveen mittaamista uudelleen siirtymän jälkeen. Lähteet: Migrate from Voxtral 2 · Speech generation.

Oikean tulostusmuodon valinta

response_format-parametri hyväksyy viisi arvoa. Tämä yksirivinen valinta merkitsee paljon enemmän kuin ensisilmäyksellä luulisi: se määrittää äänen laadun, tallentamiesi tiedostojen koon, käyttäjiesi kokeman viiveen sekä yhteensopivuuden heidän soittimiensa kanssa. Podcast, joka toimitetaan PCM-muodossa, on puolelle kuulijoistasi toistokelvoton; MP3-muotoinen puheagentti jää kaksi sekuntia jälkeen jokaisesta vastauksesta. Alla oleva taulukko antaa yleiskuvan, ja tämän oppitunnin loppuosa selittää, milloin kutakin muotoa kannattaa käyttää.

Muoto Pakkaus Laatu Suoratoiston viive Ensisijainen käyttötarkoitus
MP3 Häviöllinen Hyvä ~2 sekuntia Yleiskäyttö, tiedostot
WAV Ei (PCM) Maksimaalinen Keskitaso Jälkituotanto, äänikirjat
PCM Ei (raaka) Maksimaalinen ~0,7 sekuntia Reaaliaikainen suoratoisto
FLAC Häviötön Maksimaalinen Keskitaso Arkistointi, ammattilaatu
Opus Häviöllinen Erittäin hyvä Matala Suoratoisto, VoIP, rajoitettu kaistanleveys

Taulukon viiveet ovat karkeita suuruusluokkia, jotka on mitattu Voxtral 2:lla; mittaa ne uudelleen Voxtral TTS 3:lla, joka tuottaa kaikissa tapauksissa mono-ääntä taajuudella 24 kHz.

MP3: Yleinen standardi

MP3 on edelleen yleisin muoto: jokainen selain, puhelin ja soitin lukee sen natiivisti, ja se sisältää podcast-alustojen vaatimat ID3-metatiedot. Sen pakkaus on häviöllistä, joten laatu on hieman heikompi kuin WAV:ssa, mutta ero on puheessa harvoin kuultavissa. Sen todellinen haittapuoli on muualla: suoratoistossa koodekin on kerättävä dataa ennen ensimmäisen kehyksen tuottamista, mikä viivästyttää ensimmäistä ääntä noin kahdella sekunnilla. Valitse tämä muoto ladattaville tiedostoille, podcasteille tai tavalliselle web-integraatiolle – ei koskaan keskustelukäyttöön.

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: Maksimaalinen laatu

WAV sisältää pakkaamatonta PCM-ääntä, tarjoten parhaan mahdollisen laadun ilman häviöitä. Koska mitään ei tarvitse purkaa ja äänieditorit tunnistavat muodon universaalisti, se on luonteva lähtökohta kaikille jälkituotantoketjuille: muokkaat, taajuuskorjaat ja pakkaat, ja viet lopulta haluamaasi jakelumuotoon. Kauppana on tiedostokoko – noin kymmenkertainen MP3:een verrattuna – ja siitä johtuvat kaistanleveysvaatimukset.

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",
)

Varaa se studiotasoisiin äänikirjoihin, arkistointiin ja kaikkeen, mitä aiot muokata myöhemmin.

PCM: Reaaliaikamuoto

PCM (Pulse Code Modulation) on raakaa Float32 Little-Endian -ääntä ilman otsikkoa tai kotelointia. Tämä riisuttuus on sekä sen vahvuus että heikkous. Vahvuus: mitään ei tarvitse koodata tai purkaa, ensimmäinen ääni saapuu noin 0,7 sekunnissa, ja vastaanotetut bitit kirjoitetaan suoraan äänikortille. Heikkous: ilman otsikkoa sinun on tiedettävä näytetaajuus ja muoto itse ja välitettävä ne eteenpäin – juuri siksi oppitunnin 10 pyaudio-esimerkissä määriteltiin eksplisiittisesti paFloat32, yksi kanava ja 24 000 Hz. Tiedostot ovat myös erittäin suuria, eikä yksikään kuluttajasoitin avaa niitä suoraan.

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

Tämä on muoto reaaliaikaisille puheavustajille, keskusteluagenteille ja WebRTC-sovelluksille.

FLAC: Häviötön pakkaus

FLAC pienentää tiedostokokoa 50–60 % koskematta yhteenkään näytteeseen: laatu on täsmälleen sama kuin WAV:ssa, ja metatiedot säilyvät. Käytännössä tämä on arkistointimuotosi: tallenna master-kappaleesi FLAC-muodossa, niin voit generoida MP3:n tai Opuksen uudelleen vuosienkin päästä kärsimättä ääntä heikentävästä kaksoispakkauksesta. Se vaatii purkuohjelmiston, mikä tekee siitä vähemmän universaalin kuin 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: Nykyaikainen kompromissi

Opus on reaaliaikaiseen viestintään suunniteltu koodekki, joka tarjoaa erinomaisen laadun hyvin matalilla bittinopeuksilla. Mobiilisovelluksessa, joka toimii heikentyneellä 4G-yhteydellä, se tuottaa selkeää ääntä tilanteissa, joissa WAV tukkisi yhteyden, ja sen suoratoistoviive on matala – korkeampi kuin PCM:n, mutta huomattavasti matalampi kuin MP3:n. Yhteensopivuus on kuitenkin epätasaista: kaikki soittimet eivät tue sitä natiivisti, ja jotkin vaativat OGG-kontin.

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

Tämä on valinta VoIP:lle, rajoitetun kaistanleveyden suoratoistolle ja mobiilisovelluksille.

Päätös minuutissa

Uuden projektin edessä päättele tässä järjestyksessä. Jos teet reaaliaikaista suoratoistoa, valitse PCM minimiviivettä varten tai Opus, jos kaistanleveys on yhtä tärkeä kuin vasteaika. Muuten kysy, missä tiedostoa toistetaan: selaimessa MP3 takaa maksimaalisen yhteensopivuuden. Jos sitä tarvitsee myöhemmin muokata, WAV tarjoaa helpoimmin käsiteltävän materiaalin. Jos se on arkistoitava ilman yhtäkään desibelin menetystä, FLAC pakkaa uhraamatta mitään. Ja jos hallitseva rajoite on hidas verkko, Opus tarjoaa parhaan laatu-koko-suhteen.

Keskeiset asiat

  • MP3 on oletusvalinta yleiseen yhteensopivuuteen
  • PCM tarjoaa matalimman viiveen reaaliaikaiseen suoratoistoon (~0,7 s)
  • WAV tarjoaa parhaan pakkaamattoman laadun, ihanteellinen jälkituotantoon
  • FLAC pakkaa häviöttömästi – sama laatu kuin WAV:ssa, pienemmät tiedostot
  • Opus on paras laatu-koko-kompromissi verkkosovelluksille