Léim go dtí an príomhábhar
Gaeilge— Roghnaigh teanga
Roghchlár

Clónáil Gutha ar an Eitilt

Ceacht 9 as 14 Nuashonraithe 3 Samhain 2026 Forbróir
Ar an leathanach seo
  1. Clónáil Gan Sábháil
  2. Trí Chás ina mbíonn an Cur Chuige Seo Thar Barr
  3. voice_id vs. ref_audio: Na Difríochtaí
  4. An Dá Chur Chuige a Chomhcheangal
  5. Príomhphointí

An cúrsa nuashonraithe an 3 Samhain, 2026 le haghaidh 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 díhógraíodh an 31 Deireadh Fómhair, 2026 agus a scoradh 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, an socruithe expressiveness, fuaimniú saincheaptha (phoneme_hints), agus 35 teanga leis. Molann Mistral moill a aththomhas tar éis na himirce. Foinse: Migrate from Voxtral 2(https://docs.mistral.ai/studio/audio/migrate-from-voxtral-2) · Speech generation.

Clónáil Gan Sábháil

Bhí an cheacht roimhe seo ag brath ar ghuth sábháilte, a cruthaíodh roimh ré tríd an API Guthanna agus a dtugtar tagairt dó trína voice_id. Tairgeann Voxtral bealach eile: clónáil ar an eitilt, áit a soláthraíonn tú an fuaime thagartha go díreach san iarratas giniúna. Ní chruthaítear aon oibiacht i do chuntas: ní fhónann an sampla ach don iarratas sonrach sin, agus caitear amach é ina dhiaidh sin.

Go praiticiúil, cuirtear ref_audio in ionad voice_id, agus tá súil leis an sampla fuaime atá ionchódaithe i mbonn64. Fanann an chuid eile den ghlao gan athrú.

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

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

# Ionchódaigh an fhuaim thagartha
ref_audio_b64 = base64.b64encode(
    Path("reference.mp3").read_bytes()
).decode()

# Giniúint le clónáil ar an eitilt
response = client.audio.speech.complete(
    model="voxtral-mini-tts-3-0",
    input="This speech will resemble the reference voice.",
    ref_audio=ref_audio_b64,
    response_format="wav",
)

audio_bytes = base64.b64decode(response.audio_data)
Path("cloned-output.wav").write_bytes(audio_bytes)
print("Audio generated with on-the-fly cloning!")

Trí Chás ina mbíonn an Cur Chuige Seo Thar Barr

Is é an chéad chás ná protaitípiú. Nuair atá tú ag lorg an tsampla thagartha cheart, d’fhéadfá deich, cúig cinn déag, nó fiú níos mó a thriail. Má chruthaíonn tú an oiread sin guthanna i do chuntas, beidh ort iad a aimsiú agus a scriosadh ceann ar cheann ina dhiaidh sin. Le ref_audio, ní fhágann do lúb tástála aon rian ar an bhfreastalaí, rud a ligeann duit léirithe a chur i gcomparáid trí éisteacht leis na comhaid a tháirgtear.

# Tástáil go tapa ar shamplaí iolracha
samples = ["sample1.mp3", "sample2.mp3", "sample3.mp3"]

for file in samples:
    ref_b64 = base64.b64encode(Path(file).read_bytes()).decode()
    response = client.audio.speech.complete(
        model="voxtral-mini-tts-3-0",
        input="This is a voice quality test.",
        ref_audio=ref_b64,
        response_format="mp3",
    )
    output = f"test-{Path(file).stem}.mp3"
    Path(output).write_bytes(base64.b64decode(response.audio_data))
    print(f"Generated: {output}")

Is é an dara cás ná úsáid ócáideach. Teachtaireacht bhreithlá phearsantaithe ag baint úsáide as guth duine mhuinteartha, nó taispeántas cliant ullmhaithe do chruinniú ar leith: mura n-úsáidfear an guth ach uair amháin, níl aon chúis leis a shuiteáil go buan i do chuntas.

Is é an tríú cás ná rúndacht. Ní stóráiltear fuaime thagartha a sheoltar trí ref_audio ar an bhfreastalaí. Má tá tú ag déileáil le guth othair, finné, nó feidhmeannaigh, ní cosmaideach an difríocht seo: athraíonn sí an méid a chaithfidh tú a dhearbhú i do chlár próiseála agus an méid a theastaíonn uait a scriosadh i gcás iarratais.

voice_id vs. ref_audio: Na Difríochtaí

Critéarvoice_idref_audio
MarthanachtGuth sábháilte sa chuntasGan mharthanacht
In-athúsáidteachtGan teorainnIn aghaidh an iarratais
MoillBeagán níos tapúla (guth próiseáilte cheana)Beagán níos moille (próiseáil ar gach glao)
BainistíochtCRUD iomlán (mionathraigh, scrios)Gan aon rud le bainistiú
Costas LíonraAn voice_id amháin (cúpla beart)Fuaime iomlán ar gach iarratas
RúndachtFuaime stóráilte sa scamallFuaime gan stóráil

Tagann an riail chinntitheach anuas ar mhinicíocht na húsáide. Tuilleann guth a úsáidtear gach lá—mar shampla, tráchtaire feidhmchláir nó urlabhraí branda—cruthú le client.audio.voices.create(): sábhálann tú an bandaleithead a bhaineann le sampla a sheoladh le gach glao, agus faigheann tú am próiseála na tagartha. Ba chóir do ghuth atá á thástáil agat nó a úsáidfear uair amháin dul trí ref_audio, gan fágáil agat le glanadh.

An Dá Chur Chuige a Chomhcheangal

Níl an dá mhodh seo comheisiach; is é an sruth oibre is éifeachtaí ná iad a chur i seicheamh. Ar dtús, faigh an sampla ceart ag baint úsáide as ref_audio, ag éisteacht le gach toradh. Nuair a shásaíonn iarrthóir thú, athúsáid an teaghrán bonn64 céanna sin—atá sa chuimhne cheana féin—chun an guth deiridh a chruthú, lena ainm, a theangacha, agus a inscne san áireamh.

# Céim 1: Tástáil ghasta le ref_audio
ref_b64 = base64.b64encode(Path("my-voice.mp3").read_bytes()).decode()
response = client.audio.speech.complete(
    model="voxtral-mini-tts-3-0",
    input="Quality test.",
    ref_audio=ref_b64,
    response_format="mp3",
)
# Éist leis an toradh...

# Céim 2: An bhfuil tú sásta? Sábháil an guth
voice = client.audio.voices.create(
    name="my-validated-voice",
    sample_audio=ref_b64,
    sample_filename="my-voice.mp3",
    languages=["fr"],
    gender="male",
)
print(f"Voice saved: {voice.id}")

Déan cleachtadh le trí thaifeadadh de do ghuth féin, déanta faoi thrí choinníoll éagsúla—micreafón clogaid, fón, seomra athfhuaimneach. Giniúin an frása céanna le gach ceann acu trí ref_audio, éist, agus ansin sábháil an buaiteoir amháin. I ndeich nóiméad, foghlaimeoidh tú cad a dhéanann idirdhealú idir sampla maith agus sampla dona, gan trí ghuth gan úsáid a fhágáil ina ndiaidh.

Príomhphointí

  • Ligeann an paraiméadar ref_audio duit guth a chlónáil gan é a shábháil
  • Déantar an fhuaim thagartha a ionchódú i mbonn64 agus seoltar go díreach san iarratas í
  • Is idéalach clónáil ar an eitilt le haghaidh tástála, úsáide ócáidí, agus rúndachta
  • Le haghaidh gnáthúsáide, is fearr guth sábháilte (moill níos ísle, bandaleithead níos lú)
  • Is féidir leat tástáil le ref_audio agus ansin an guth a shábháil nuair a bheidh tú sásta