Luo mukautettu ääni
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 poistettu käytöstä 30. huhtikuuta 2027, on korvattu esimerkeissä mallillavoxtral-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 tuki 35 kielelle. Mistral suosittelee viiveen mittaamista uudelleen siirtymän jälkeen. Lähteet: Migrate from Voxtral 2 · Speech generation.
Äänitteestä kloonattuun ääneen
Mukautetun äänen luominen Voxtralilla tiivistyy kahteen vaiheeseen: valmistele laadukas ääninäyte ja lähetä se rajapinnalle oikeilla parametreilla. Toinen vaihe vie kymmenen minuuttia; ensimmäinen ansaitsee enemmän huomiota, sillä se ratkaisee lopputuloksen. Tämä oppitunti opastaa sinut ensimmäisen äänen luomisessa.
Valmistele ääninäytteesi
Ääninäyte on äänesi perusta: sen laatu määrää suoraan synteettisen puheen laadun. Malli ei korjaa mitään; se toistaa kuulemansa.
Voxtral TTS 3:n dokumentaatio pyytää MP3- tai WAV-tallennetta, jonka kesto on muutamasta sekunnista muutamaan minuuttiin (Voxtral 2 hyväksyi 3–30 sekuntia). Käytännössä erotetaan kolme tilannetta. 3–10 sekunnin välillä malli tallentaa perus sävyn, mutta vähemmän vivahdeita: ääni on tunnistettava, muttei täysin aidonkuuloinen. 10–20 sekunnin välillä saat hyvän kompromissin laadun ja helppouden välillä; tämä riittää useimpiin projekteihin. Yli 20 sekunnin mittaisella näytteellä annat mallille tarpeeksi materiaalia hienovaraisuuksien, kuten rytmin ja intonaation, omaksumiseen – ne mikrovariaatiot, joiden ansiosta ystäväsi tunnistaa sinut kahdesta sanasta.
Jäljelle jää kysymys siitä, mitä sanoa. Tämä asia jarruttaa useampaa ihmistä kuin arvaisitkaan tallennushetken koittaessa. Tässä on Mistralin suosittelema referenssiteksti:
“I am recording an audio sample to clone my voice. Once finished, I will be able to generate speech that sounds like me. It is incredible how AI can capture my way of speaking, my tone, my rhythm, and even the small quirks that make my voice unique.”
Tämä teksti ei ole mielivaltainen: se on suunniteltu kattamaan erilaisia äänteitä ja intonaatioita englanniksi, sisältäen avoimia ja suljettuja vokaaleja, klusiilikonsonantteja ja huudahduksen. Tiedostomuodon osalta rajapinta hyväksyy yleiset muodot – MP3, WAV, FLAC, OGG – ja tiedosto koodataan base64-muotoon ennen lähetystä.
Täydellinen Python-koodi
Tässä on koodi äänen luomiseksi kaikilla käytettävissä olevilla parametreilla:
import base64
from pathlib import Path
from mistralai.client import Mistral
client = Mistral(api_key="your-api-key")
# Read and encode the audio sample
audio_path = Path("my-sample.mp3")
sample_audio_b64 = base64.b64encode(audio_path.read_bytes()).decode()
# Create the voice with all parameters
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}")
Vain kaksi parametria ovat pakollisia:
name: äänesi näyttönimi. Valitse kuvaava nimi, jonka avulla tunnistat sen helposti (esim.support-assistant-en,podcast-intro)sample_audio: base64-koodattu ääninäyte. Tämä on ainoa parametri, jota ei voi muokata luomisen jälkeen
Muut parametrit ovat valinnaisia, mutta jokaisella on konkreettinen tarkoitus:
sample_filename: alkuperäinen tiedostonimi. Auttaa rajapintaa havaitsemaan äänimuodonslug: URL-ystävällinen tunniste. Jos jätetään pois, se generoidaan automaattisesti nimen perusteellalanguages: taulukko ISO-kielikoodeista (esim.["en", "fr", "es"]). Ilmoittaa kielet, joille tämä ääni on optimoitugender:"male"tai"female". Käytetään suodattamiseen käyttöliittymässäage: kokonaisluku, joka edustaa puhujan likimääräistä ikää. Auttaa äänen kategorisoinnissatags: taulukko vapaamuotoisia merkkijonoja ääniesi järjestämiseen (esim.["commercial", "dynamic"])
Yhden äänen projektissa saatat kokea kiusauksen jättää muut parametrit pois. Kolmenkymmenen äänen katalogissa, jotka on jaettu useille asiakkaille, luontivaiheessa määritellyt tagit ja kielet säästävät sinulta tunteja lajittelua.
Tallenna selaimesta
Jos et halua käsitellä äänitiedostoja, Mistral Studio antaa sinun tallentaa suoraan selaimestasi:
- Siirry kohtaan Audio > Text to Speech
- Klikkaa My Voices ja sitten Add a new voice
- Syötä äänesi nimi
- Klikkaa tallennuspainiketta ja puhu 10–30 sekuntia
- Vahvista – äänesi on heti käytettävissä
Tämä menetelmä toimii erinomaisesti nopeisiin testeihin tai silloin, kun äänensä lainaava henkilö ei ole sama kuin koodin kirjoittaja – näyttelijä tai johtaja on usein halukkaampi tekemään harjoituksen selaimessa kuin terminaalissa.
Varmista äänesi
Älä koskaan etene kuuntelematta tulosta. Heti kun luominen on valmis, generoi testilause:
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!")
Kuuntele kuulokkeilla, älä kannettavan tietokoneen kaiuttimilla: sävyvirheet ovat siellä kuulumattomissa. Jos tulos ei miellytä, luo uusi ääni paremmalla näytteellä sen sijaan, että käyttäisit samaa uudelleen – rajapinta ei joka tapauksessa salli olemassa olevan äänen audion korvaamista, ja huonoon tallenteeseen pitäytyminen vain siirtää ongelmaa myöhempään ajankohtaan.
Keskeiset asiat
- Tallenne (MP3 tai WAV) voi kestää muutamasta sekunnista muutamaan minuuttiin; tavoittele vähintään 10–20 sekuntia vaihtelevaa puhetta
- Äänitiedosto koodataan base64-muotoon ennen lähetystä rajapinnalle
- Parametrit
namejasample_audioovat pakollisia; muut ovat valinnaisia - Mistral Studio mahdollistaa tallentamisen suoraan selaimesta
- Testaa ääntäsi aina välittömästi luomisen jälkeen