Voxtral TTS -mallit
Tällä sivulla
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 on vanhentunut 31. lokakuuta 2026 ja poistetaan käytöstä 30. huhtikuuta 2027, on korvattu esimerkeissä mallillavoxtral-mini-tts-3-0. Voxtral 2:n esiasetetut 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 latenssin uudelleenmittausta siirtymän jälkeen. Lähteet: Migrate from Voxtral 2 · Speech generation.
Voxtral Mini TTS: Referenssimalli
Voxtral-perheen synteesimalli on Voxtral TTS 3, joka tunnistetaan rajapinnassa nimellä voxtral-mini-tts-3-0 (alias voxtral-mini-tts-3). Tämä on slug, jonka kirjoitat jokaiseen API-kutsuun: paina se mieleesi, sillä tämä on ainoa merkkijono tällä kurssilla, joka sinun tulee osata ulkoa. Malli on suunniteltu tarjoamaan optimaalinen tasapaino äänen laadun, latenssin ja kustannusten välillä, mikä selittää, miksi se kattaa lähes kaikki ammattimaiset käyttötapaukset yksinään.
Voxtral Mini TTS on äänen perusmalli (voice foundation model). Tämä ero ei ole kosmeettinen: vanhemmat TTS-järjestelmät pilkkoivat tekstin foneemeihin ja yhdistelivät niitä äänipankista, mikä tuotti nykivää puhetta, jossa jokainen tavu vaikutti irralliselta edellisestä. Voxtral sen sijaan tuottaa puhetta ymmärtämällä tekstin semanttisen kontekstin. Lauseessa “He didn’t say that” malli tietää, mihin paino tulee, koska se on tulkinnut lauserakenteen, tuottaen luonnollisen prosodian ja johdonmukaisen intonaation alusta loppuun.
Tekniset eritelmät
voxtral-mini-tts-3-0 -mallin tekniset tiedot ovat seuraavat:
| Ominaisuus | Arvo |
|---|---|
| Mallin latenssi | Noin 90 millisekuntia ennen ensimmäistä ääntä |
| Kielet | 35 kieltä ja yli 50 murretta; esiasetettuja ääniä 22 kielellä |
| Äänen kloonaus | Zero-shot, MP3- tai WAV-tallenteesta (muutamasta sekunnista muutamaan minuuttiin) |
| Ohjaus | 34 emootiotagia, nopeustagit, expressiveness, mukautettu ääntäminen |
| Tulostusmuodot | MP3 (oletus), WAV, PCM, FLAC, Opus — mono, 24 kHz |
| Suoratoisto | Tuettu reaaliajassa |
| Hinta 3. marraskuuta 2026 | 13 $ miljoonaa merkkiä kohden |
Nuo 90 millisekuntia ansaitsevat uudelleen harkinnan: tämä on viive ennen ensimmäisen äänipätkän saatavuutta, ei koko generoinnin kokonaiskesto. Keskustelevassa avustajassa juuri tämä luku ratkaisee, tuntuuko vuorovaikutus luontevalta vai vaivalloiselta.
Esiasennetut ammattiäänet
Äänen klonauksen lisäksi Mistral AI tarjoaa kirjaston ammattimaisia ääniä, jotka ovat valmiita välitöntä käyttöä varten. Nämä äänet on nauhoitettu studiossa ja optimoitu erilaisiin käyttötarkoituksiin. Ne tarjoavat korvaamatonta palvelua projektin alkuvaiheessa: jos haluat varmistaa putkistosi toiminnan ennen kuin edes järjestät nauhoitussession valitun ääninäyttelijäsi kanssa, esiasennettu ääni mahdollistaa kaiken testaamisen samana päivänä.
Mistral Studion verkkokäyttöliittymässä voit tutkia näitä ääniä ja suodattaa niitä kolmen kriteerin perusteella: sukupuoli (mies tai nainen), äänen ensisijainen kieli ja emootio, eli tunnetila – neutraali, innostunut, rauhallinen ja niin edelleen. Jokainen on käytettävissä sen voice_id:n kautta API:ssa, aivan kuten itse kloonamasi ääni: koodisi ei muutu rivin vertaa, kun vaihdat demoäänestä lopulliseen ääneen.
Avoimet painot: Itseisännöintivaihtoehdot
Edellinen sukupolvi, Voxtral TTS (voxtral-mini-tts-2603), julkaistiin sen painojen kanssa – 4 miljardin parametrin malli Hugging Facessa – CC BY-NC 4.0 -lisenssillä. Tämä ei ole avoimen lähdekoodin lisenssi tavanomaisessa merkityksessä: se kieltää kaupallisen käytön. Se mahdollistaa kokeilut ja prototyyppauksen omassa infrastruktuurissasi ilman, että ääninäytteet poistuvat verkostasi, mutta kaupallisen tuotteen on käytettävä API:a tai tehtävä sopimus Mistral AI:n kanssa. Tällä hetkellä Voxtral TTS 3:n dokumentaatiossa ei mainita avoimia painoja.
Organisaatioille, jotka ovat luottamuksellisuusrajoitusten alaisia – kuten terveydenhuollon tarjoajille tai viranomaisille – kysymys jakautuu siis kahteen osaan: onko käyttö kaupallista, ja kattavatko avoimen mallin kielet ja laatu vaaditut tarpeet? Jos eivät, sinun on tarkasteltava API:n sopimuksellisia sitoumuksia (hosting, datan säilytys).
Käyttö Mistral API:n kautta
Käyttääksesi Voxtral Mini TTS:ää API:n kautta, sinun on ensin alustettava asiakasohjelma API-avaimellasi:
from mistralai.client import Mistral
client = Mistral(api_key="your-api-key")
Malliin viitataan sen tunnisteella voxtral-mini-tts-3-0 jokaisessa generointikutsussa. Näet tulevissa oppitunneissa, kuinka ääniä luodaan ja puhetta generoidaan; tämä client-objekti on kaikkien seuraavien esimerkkien lähtökohta.
Jos suosit kooditonta lähestymistapaa, Mistral Studio tarjoaa graafisen käyttöliittymän osoitteessa studio.mistral.ai. Siellä voit kuunnella saatavilla olevia ammattiääniä, nauhoittaa oman äänesi suoraan selaimesta, testata äänigenerointia eri teksteillä ja säätää parametreja – kieli, emootio, muoto. Se on ihanteellinen prototyyppaustyökalu: valido kymmenessä minuutissa, sopiiko ääni projektiin, ja siirry koodiin vasta päätöksen tehtyäsi.
Tiekartan kehitys
Mistral AI on ilmoittanut, että Voxtral-perheeseen liittyy muita malleja: kevyempiä malleja upotettuihin ja mobiilisovelluksiin, tehokkaampia malleja ilmaisuvoimaiseen äänigenerointiin ja jatkuvia parannuksia monikieliseen laatuun. Suunnittele siksi integraatiosi eristämällä mallin nimi konfiguraatiomuuttujaan sen sijaan, että hajauttaisit sitä koodiisi – kun seuraaja saapuu, siirtyminen vie vain yhden rivin. Toistaiseksi voxtral-mini-tts-3-0 pysyy referenssinä ja kattaa valtaosan ammattimaisista käyttötapauksista.
Keskeiset asiat
- Ensisijainen malli on
voxtral-mini-tts-3-0, joka on optimoitu laadun ja latenssin kannalta - Esiasennettuja ammattiääniä on saatavilla aloittamiseen ilman ääninäytettä
- Edellinen malli on avoimilla painoilla ja se voidaan isännöidä itse (ei-kaupallinen käyttö)
- Mistral Studio tarjoaa graafisen käyttöliittymän koodittomaan testaukseen
- Mistral API ja Python SDK ovat integraation sisäänmenopisteitä