Pretvaranje teksta u govor i prilagođeni glasovi s Voxtral TTS-om
Na ovoj stranici
Ažuriranje 2. studenoga 2026. — Le Chat sada je Vibe. Od 28. svibnja 2026. Le Chat je rebrendiran u Vibe (i dalje na chat.mistral.ai): jedinstveni agent za posao i kodiranje koji prenosi tvoje razgovore, postavke i pretplate. Legacy iskustvo Le Chata i dalje je dostupno u načinu Chat; u načinu Work, agenti su postali vještine (pozivaju se s
@), memorije služe kao baza znanja, a dubinsko pretraživanje sada je vještina Deep Research. Planovi se sada nazivaju Mistral Free, Pro, Team i Enterprise. Ova lekcija koristi naziv Vibe; imaj na umu da su se neki izbornici ovdje opisani mogli promijeniti po nazivu ili lokaciji.
Daj svom tekstu glas
Pretvaranje teksta u govor (TTS) točna je suprotnost transkripciji koju si proučavao u prethodnim lekcijama: umjesto pretvaranja govora u tekst, ono transformira tekst u govor. S Voxtral TTS-om, Mistral isporučuje izvanrednu kvalitetu sinteze sposobnu reproducirati prirodne intonacije, prenijeti emocije, pa čak i klonirati tvoj vlastiti glas. Ova zadnja točka zaslužuje pozornost jer mijenja prirodu zadatka: više ne biraš glas samo iz kataloga; možeš stvoriti svoj vlastiti.
U Vibeu je pretvaranje teksta u govor besprijekorno integrirano: asistent može naglas čitati svoje odgovore koristeći prirodan, ekspresivan glas. Ovisno o tvojim postavkama i platformi, ta se reprodukcija pokreće automatski u glasovnom načinu ili na zahtjev. Zamisli da pripremaš večeru dok ti Vibe sažima dugi članak: slušaš sažetak umjesto da čitaš ekran, držeći ruke slobodnima. Vibe nudi nekoliko profesionalnih glasova koji variraju po spolu (muški ili ženski), jeziku (svaki glas optimiziran je za jedan ili više jezika) i tonu, pri čemu neki glasovi zvuče toplije, a drugi neutralnije ili formalnije. Najbolji pristup je testirati dva ili tri glasa na istom tekstu: topao glas odgovara pripovijedanju, dok neutralni glas odgovara institucionalnom sadržaju.
Kloniranje glasa bez prethodnog učenja (Zero-Shot)
Najimpresivnija značajka Voxtral TTS-a je kloniranje glasa bez prethodnog učenja (zero-shot voice cloning): iz samo 2 do 3 sekunde snimke tvog glasa, model može generirati govor koji zvuči kao ti. „Bez prethodnog učenja“ znači da nije potrebno dugotrajno treniranje – dovoljan je jednostavan uzorak, dok su prethodne tehnologije zahtijevale sate studijskog vremena. Model hvata boju, ritam i jedinstvene karakteristike tvog govora, često proizvodeći zapanjujuće točan rezultat.
Ove glasove stvaraš u Mistral AI Studiju, Mistralovom naprednom sučelju, u četiri koraka:
- Idi u odjeljak Audio > Text to Speech
- Klikni „My Voices“, a zatim „Add New Voice“
- Imenuj svoj glas i snimi uzorak – bilo učitavanjem audio datoteke ili izravnim snimanjem putem mikrofona
- Koristi svoj klonirani glas za generiranje govora iz bilo kojeg teksta
Jedan ključni koncept koji trebaš shvatiti je princip „Glas kao instrukcija“. Model ne reproducira samo boju referentnog glasa; on također replicira emociju i intonaciju. Ako je tvoj uzorak energičan i entuzijastičan, generirani glas bit će takav; ako govoriš smireno i promišljeno, sinteza će usvojiti isti registar. U praksi, to ti daje neočekivanu polugu za podešavanje: da bi dobio dinamično pripovijedanje, snimi svoj uzorak s energijom; za smireni glas dokumentarca, snimi se kako čitaš polako. Utječeš na ton izlaza jednostavno načinom na koji se snimaš.
Opsežne višejezične mogućnosti
Voxtral TTS podržava više od 9 jezika: engleski, francuski, španjolski, portugalski, talijanski, nizozemski, njemački, hindi i arapski. No prava vrijednost leži u dvije napredne značajke. Prva je međujezično kloniranje: možeš koristiti uzorak glasa na jednom jeziku i generirati govor na drugom, zadržavajući izvorne karakteristike glasa. Francuski uzorak tako može generirati engleski govor – s govornikovim prirodnim francuskim naglaskom, čineći rezultat vjerodostojnim i osobnim. Razmisli o instruktoru koji govori francuski i želi ponuditi englesku verziju svog e-učenja modulom u vlastitom glasu: to je upravo taj slučaj upotrebe.
Druga značajka je miješanje kodova (code-mixing): model prirodno obrađuje tekst koji miješa više jezika. Ako tvoj tekst izmjenjuje odlomke na francuskom i engleskom – prezentaciju punu engleskih tehničkih pojmova, na primjer – glas će se prebacivati između njih bez prekida.
Usavršavanje tvog klona i teksta
Kvaliteta izlaza izravno ovisi o kvaliteti ulaza. Za uzorak glasa, ciljaj na čistu snimku od 3 do 30 sekundi bez buke iz okoline: bez glazbe, bez brbljanja, samo tvoj glas. Govori prirodno i s izrazom – ravna, monotona snimka rezultirat će robotskim glasom. Izbjegavaj riječi popunjavanja poput „hm“, „uh“ ili druge oklijevaje, jer će ih model integrirati u tvoju vokalnu signaturu. Konačno, za najbolje rezultate, snimaj na istom jeziku kao i ciljni tekst, iako međujezično kloniranje također funkcionira.
Tekst za sintezu također zahtijeva određenu pripremu. Brojeve napiši u punom obliku – „tri tisuće dvjesto“ umjesto „3200“ – i proširi kratice, koristeći „Gospodin“ umjesto „g.“, kako bi izbjegao pogrešan izgovor. Izbaci emojije i složeno formatiranje, koji nemaju usmeni ekvivalent. Ostani ispod 300 riječi po zahtjevu za optimalnu kvalitetu: podijeli duge dokumente na više odlomaka.
Praktični slučajevi upotrebe brojni su: generiraj profesionalne voiceovere za svoje videe bez studija, učini svoje članke pristupačnima slabovidnim korisnicima, izradi prototipove različitih glasova za virtualnog asistenta prije integracije, transformiraj pisane materijale u audio tečajeve za e-učenje ili produciraj naracije za svoj sadržaj na TikToku i Instagramu.
Ključne točke
- Voxtral TTS pretvara tekst u prirodan govor na više od 9 jezika
- Kloniranje glasa funkcionira sa samo 2-3 sekunde snimke
- Emocija i intonacija referentnog uzorka utječu na generirani glas
- Međujezično kloniranje omogućuje ti da govoriš drugim jezikom svojim vlastitim glasom
- Za uspješno kloniranje: čista, prirodna snimka između 3 i 30 sekundi