Puheen perustuotanto
Tällä sivulla
Kurssi päivitetty 3. marraskuuta 2026 Voxtral TTS 3:lle Migrate from Voxtral 2 -oppaan ja Mistralin Text to Speech -sivujen perusteella:
voxtral-mini-tts-2603, joka on vanhentunut 31. lokakuuta 2026 ja poistettu käytöstä 30. huhtikuuta 2027, on korvattu esimerkeissä mallillavoxtral-mini-tts-3-0. Ennalta määritellyt Voxtral 2 -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.
Ensimmäinen äänituotantosi
Tiedät nyt, miten luot äänen ja hallitset sitä Voices API:n kautta. Viimeinen vaihe on tehdä se, mitä varten kaikki tämä työ tehtiin: tuottaa ääntä. Mistralin Speech API tiivistyy yhteen kutsuun, client.audio.speech.complete(), joka ottaa vastaan tekstiä ja ääni-ID:n ja palauttaa base64-koodattua ääntä. Tämä oppitunti käsittelee perustuotantoa tallennetulla äänellä; reaaliaikainen kloonaus ja suoratoisto tulevat seuraavaksi.
Alla oleva koodi on kaikki, mitä tarvitset lauseen muuntamiseksi MP3-tiedostoksi levyllesi. Kiinnitä erityistä huomiota viimeiseen vaiheeseen: vastaus ei sisällä raakoja äänibyttejä, joita voisit käyttää suoraan, vaan base64-merkkijonon, joka on purettava ennen tiedoston kirjoittamista. Tämä on klassinen ensikertalaisen virhe – merkkijonon tallentaminen sellaisenaan saa äänisoittimet kieltäytymään tiedoston avaamisesta.
import base64
from pathlib import Path
from mistralai.client import Mistral
client = Mistral(api_key="your-api-key")
# Tuota puhetta tallennetulla äänellä
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Hello and welcome to this course on Voxtral TTS.",
voice_id="your-voice-id",
response_format="mp3",
)
# Pure base64 ja tallenna tiedostoon
audio_bytes = base64.b64decode(response.audio_data)
Path("output.mp3").write_bytes(audio_bytes)
print(f"Audio generated: {len(audio_bytes)} bytes")
Mitä kukin parametri ohjaa
model-parametri määrittää synteesimallin. Tällä hetkellä ainoa saatavilla oleva malli on voxtral-mini-tts-3-0, mutta määritä se aina eksplisiittisesti: kun muita malleja ilmestyy, koodisi tuottaa edelleen täsmälleen saman äänen kuin tänäkin päivänä.
input ottaa vastaan puhuttavan tekstin, ja se on ehdottomasti parametri, joka vaatii eniten huomiota. Voxtral 2:n dokumentaatio kehotti pysymään alle 300 sanan pyyntöä kohden; Voxtral TTS 3:n dokumentaatiossa ei enää aseteta rajaa, mutta yksittäisen kappaleen pyynnöt ovat edelleen helpommin hallittavissa ja toistettavissa. Vältä hymiöitä, joita malli ei osaa tulkita, sekä monimutkaista muotoilua – Markdown, HTML, erikoismerkit – jotka luetaan lopulta ääneen sanasta sanaan. Lopuksi, kirjoita numerot ja lyhenteet auki: “twenty-three” eikä “23”, “Limited Liability Company” eikä “LLC”. Ääniagentti, joka kompastuu numeroihin ilmoittaessaan summaa, menettää uskottavuutensa yhdessä lauseessa.
voice_id tunnistaa käytettävän äänen. Saat sen kolmella tavalla: luomalla äänen komennolla client.audio.voices.create() (katso oppitunti 5), listaamalla olemassa olevat äänesi komennolla client.audio.voices.list() tai käyttämällä uudelleen Mistralin ammattilaisäänen ID:tä. response_format puolestaan asettaa tulostemuodon vaihtoehdoista mp3, wav, pcm, flac ja opus. Tämä valinta vaikuttaa sekä tiedostokokoon että latenssiin, ja oppitunti 12 on omistettu kokonaan tälle aiheelle.
Mittakaavan kasvattaminen: Äänikirjan luku
Hieman pidemmälle tekstille jakaminen on edelleen paras käytäntö. Periaate on yksinkertainen: valmista lista kappaleista, tuota jokainen erikseen ja kerää puretut bytit yhteen puskuriin ennen lopullisen tiedoston kirjoittamista.
import base64
from pathlib import Path
from mistralai.client import Mistral
client = Mistral(api_key="your-api-key")
voice_id = "your-voice-id"
# Teksti jaettuna kappaleisiin
paragraphs = [
"First paragraph of the chapter. The narrator introduces the context.",
"Second paragraph. The action begins to develop.",
"Third paragraph. Suspense builds gradually.",
]
full_audio = b""
for i, text in enumerate(paragraphs):
print(f"Generating segment {i + 1}/{len(paragraphs)}...")
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input=text,
voice_id=voice_id,
response_format="wav",
)
full_audio += base64.b64decode(response.audio_data)
Path("chapter-01.wav").write_bytes(full_audio)
print("Audio chapter generated successfully!")
Tämä skripti toimii, koska se tuottaa WAV-muotoa, joka on pakkaamaton formaatti, jonka segmentit voidaan liittää peräkkäin ilman erityiskäsittelyä. Kokeile samaa MP3:lla tai Opuksella, ja tulos on käyttökelvoton: nämä pakatut formaatit sisältävät otsikoita ja kehysrakenteita, jotka raaka liittäminen rikkoo. Sen sijaan käytä kirjastoa kuten pydub, joka purkaa jokaisen segmentin ennen niiden siistiä yhdistämistä.
Kun tuotanto epäonnistuu
Tuotantoympäristössä sinun on suojattava kutsu. Eilen kollegan poistama voice_id, hiljaa pitenevä teksti kenttien ketjutuksen vuoksi, kuukauden lopussa ehtynyt API-kiintiö, väärin kirjoitettu tulostemuoto: jokainen näistä tilanteista nostaa poikkeuksen, ja ilman varotoimia eräajosi pysähtyy keskellä korpuksen käsittelyä.
try:
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Text to convert to speech.",
voice_id=voice_id,
response_format="mp3",
)
audio_bytes = base64.b64decode(response.audio_data)
Path("output.mp3").write_bytes(audio_bytes)
except Exception as e:
print(f"Error during generation: {e}")
Käytä aikaa tämän virhepolun testaamiseen ennen tuotantoon siirtymistä: tuota tahallisesti virheellisellä voice_id:llä ja varmista, että sovelluksesi ilmoittaa siitä selkeästi sen sijaan, että se tuottaisi tyhjän tiedoston.
Keskeiset asiat
- Tuotanto käyttää funktiota
client.audio.speech.complete()mallillavoxtral-mini-tts-3-0 - Jaa pitkät tekstit kappaleisiin ja vältä hymiöitä sekä muotoilua
- Kirjoita numerot ja lyhenteet auki oikean ääntämisen varmistamiseksi
- Palautettu ääni on base64-muodossa – pura se ennen tallentamista
- Jaa pitkät tekstit osiin ja yhdistä tulokset