Léim go dtí an príomhábhar
Gaeilge— Roghnaigh teanga
Roghchlár

Giniúint Bhunúsach Urlabhra

Ceacht 8 as 14 Nuashonraithe 3 Samhain 2026 Forbróir
Ar an leathanach seo
  1. Do Chéad Ghiniúint Gutha
  2. Cad a Rialaíonn Gach Paraiméadar
  3. Ag Scálú Suas: Caibidil Leabhair Fuaime
  4. Nuair a Theipeann ar an nGiniúint
  5. Príomhphointí

An cúrsa nuashonraithe an 3 Samhain 2026 do Voxtral TTS 3, bunaithe ar an treoir Migrate from Voxtral 2 agus ar leathanaigh Text to Speech ó Mistral: tá voxtral-mini-tts-2603, a d’éag an 31 Deireadh Fómhair 2026 agus a scorfar an 30 Aibreán 2027, curtha in ionad ag voxtral-mini-tts-3-0 sna samplaí. Glactar fós le guthanna réamhshocraithe Voxtral 2 (gb_jane_neutral…); cuireann Voxtral 3 clibeanna [emotion=…] agus [pace=…] sa téacs leis, an socru expressiveness, fuaimniú saincheaptha (phoneme_hints), agus 35 teanga. Molann Mistral an moill a ath-thomhas tar éis na himirce. Foincí: Migrate from Voxtral 2(https://docs.mistral.ai/studio/audio/migrate-from-voxtral-2) · Speech generation.

Do Chéad Ghiniúint Gutha

Tá a fhios agat anois conas guth a chruthú agus é a bhainistiú tríd an API Guthanna. Is é an chéim dheireanach ná an rud a rinneadh an obair ar fad ina leith a dhéanamh: fuaim a tháirgeadh. Níl i API Urlabhra Mistral ach glao amháin, client.audio.speech.complete(), a ghlacann téacs agus ID gutha agus a thugann ar ais fuaim atá ionchódaithe i mbonn64. Clúdaíonn an ceacht seo giniúint bhunúsach le guth sábháilte; teacht ar ais ar chlóineáil ar an eitilt agus ar shruthú an chéad rud eile.

Níl sa chód thíos ach an rud atá uait chun abairt a thiontú ina chomhad MP3 ar do dhiosca. Tabhair aird dhíreach ar an gcéim dheireanach: níl bearta fuaime amha sa fhreagra is féidir leat a úsáid go díreach, ach teaghrán bonn64 ar chóir duit a dhíchódú sula scríobhann tú an comhad. Seo an botún clasaiceach don chéad uair—má shábhálann tú an teaghrán mar atá sé, diúltóidh seinnteoirí fuaime é a oscailt.

import base64
from pathlib import Path
from mistralai.client import Mistral

client = Mistral(api_key="your-api-key")

# Generate speech with a saved voice
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",
)

# Decode base64 and save to file
audio_bytes = base64.b64decode(response.audio_data)
Path("output.mp3").write_bytes(audio_bytes)
print(f"Audio generated: {len(audio_bytes)} bytes")

Cad a Rialaíonn Gach Paraiméadar

Sonraíonn an paraiméadar model an tsamhail shintéise. Ó inniu i leith, is é voxtral-mini-tts-3-0 an t-aon cheann atá ar fáil, ach sonraigh go sainráite é i gcónaí: nuair a bheidh samhlacha eile le feiceáil, leanfaidh do chód ag táirgeadh an ghutha céanna go díreach agus a dhéanann sé inniu.

Glacann input leis an téacs le labhairt, agus is é seo an paraiméadar a éilíonn an chuid is mó aire. Chomhairle doiciméadú Voxtral 2 ná fanacht faoi 300 focal in aghaidh na hiarratais; ní shocraíonn doiciméadú Voxtral TTS 3 aon teorainn a thuilleadh, ach tá iarratais aon-mhíre fós níos fusa a rialú agus a athsheinm. Seachain eamóistí, nach féidir leis an tsamhail a léirmhíniú, chomh maith le formáidiú casta—Markdown, HTML, carachtair speisialta—a chríochnaíonn á léamh os ard focal ar fhocal. Ar deireadh, litrigh uimhreacha agus giorrúcháin amach: “twenty-three” seachas “23”, “Limited Liability Company” seachas “LLC”. Caillfidh gníomhaire gutha a thuiteann thar uimhreacha agus é ag fógrú méid a chreidiúnacht in aon abairt amháin.

Sainaithníonn voice_id an guth a úsáidtear. Faigheann tú é ar thrí bhealach: trí ghuth a chruthú le client.audio.voices.create() (féach ceacht 5), trí do ghuthanna atá ann cheana a liostú le client.audio.voices.list(), nó trí ID ghutha gairmiúil ó Mistral a athúsáid. Ar deireadh, socraíonn response_format an fhormáid aschuir i measc mp3, wav, pcm, flac, agus opus. Baineann an rogha seo le méid an chomhaid agus leis an moill, agus tá ceacht 12 tiomnaithe go hiomlán dó.

Ag Scálú Suas: Caibidil Leabhair Fuaime

I gcás téacsanna beagán níos faide, is cleachtas is fearr iad a roinnt. Is simplí an prionsabal: ullmhaigh liosta de mhíreanna, giniúint gach ceann ar leithligh, ansin carn na bearta díchódaithe i maolán amháin sula scríobhann tú an comhad deiridh.

import base64
from pathlib import Path
from mistralai.client import Mistral

client = Mistral(api_key="your-api-key")
voice_id = "your-voice-id"

# Text split into paragraphs
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!")

Oibríonn an script seo toisc go dtáirgeann sé WAV, formáid neamh-chomhbhrúite a chónascann a míreanna deireadh le deireadh gan próiseáil speisialta. Bain triail as an rud céanna le MP3 nó Opus agus beidh an toradh dodhéanta: iompraíonn na formáidí comhbhrúite seo ceanntásc agus struchtúir fráma a bhriseann comhcheangal amh. Ina ionad sin, úsáid leabharlann cosúil le pydub, a dhíchódaíonn gach mír sula gcumascann sí go glan iad.

Nuair a Theipeann ar an nGiniúint

Sa táirgeadh, caithfidh tú an glao a chosaint. ID gutha a scrios comhghleacaí inné, téacs a fhásann níos faide go ciúin toisc gur comhcheanglaíodh réimse, cuóta API a ídíodh ag deireadh na míosa, formáid aschuir mílitrithe: ardaíonn gach ceann de na cásanna seo eisceacht, agus gan cosaintí, stopfaidh do phróiseáil baisce i lár an chorpais.

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}")

Tóg am chun an conair earráide seo a thástáil sula dtéann tú go dtí an táirgeadh: giniúint d’aon ghnó le voice_id bréige agus fíoraigh go gcuireann d’iarratas in iúl go soiléir é seachas comhad folamh a tháirgeadh.

Príomhphointí

  • Úsáideann giniúint client.audio.speech.complete() leis an tsamhail voxtral-mini-tts-3-0
  • Roinn téacsanna fada ina míreanna agus seachain eamóistí agus formáidiú
  • Litrigh uimhreacha agus giorrúcháin amach le haghaidh fuaimniú ceart
  • Tá an fhuaim a fhilltear i mbonn64—díchód é sula sábhálann tú é
  • I gcás téacsanna fada, roinn ina mhíreanna agus cumaisc na torthaí