Uvod u Voxtral TTS
Na ovoj stranici
Tečaj ažuriran 3. studenoga 2026. za Voxtral TTS 3, na temelju vodiča Migrate from Voxtral 2 i stranica Mistrala Text to Speech:
voxtral-mini-tts-2603, zastario 31. listopada 2026. i povučen 30. travnja 2027., u primjerima je zamijenjen svoxtral-mini-tts-3-0. Unaprijed definirani glasovi iz Voxtrala 2 (gb_jane_neutral…) i dalje su podržani; Voxtral 3 dodaje oznake[emotion=…]i[pace=…]u tekst, postavkuexpressiveness, prilagođeni izgovor (phoneme_hints) i 35 jezika. Mistral preporučuje ponovno mjerenje latencije nakon migracije. Izvori: Migrate from Voxtral 2 · Speech generation.
Tekst-u-govor ulazi u novo doba
U ožujku 2026. Mistral AI lansirao je Voxtral TTS, motor za pretvorbu teksta u govor koji pomiče granice onoga što je prije bilo moguće. Da bi se cijenio taj skok, prisjetimo se što je zahtijevala prethodna generacija: da biste dobili uvjerljiv glas, morali ste dovesti glumca u studio, snimiti sate čitanja, a zatim trenirati model na tom korpusu. Voxtral pristupa stvari drugačije kroz kloniranje glasa bez primjera (zero-shot): samo nekoliko sekundi zvuka dovoljno je za hvatanje boje glasa, ritma i nijansi.
Ovaj probiv počiva na temeljnom modelu specifično obučenom za generiranje govora. Voxtral ne reproducira samo foneme – on razumije prozodiju, emocije i jezične suptilnosti na 35 jezika i više od 50 dijalekata s Voxtral TTS 3, uključujući francuski (prethodna generacija pokrivala je 9). Razliku možete čuti u upitnoj rečenici ili umetnutoj napomeni: dok bi stariji sustav monotono recitirao, Voxtral ispravno stavlja naglasak jer pročita cijelu rečenicu prije nego što je izgovori.
Što je kloniranje bez primjera (zero-shot)?
Izraz zero-shot znači da modelu nije potrebno ponovno treniranje za reprodukciju novog glasa. Dostaviš snimku u trajanju od nekoliko sekundi do nekoliko minuta, u MP3 ili WAV formatu, a Voxtral automatski hvata vokalna obilježja: boju, intonaciju, ritam i naglasak. Nema faze treniranja, nema dodatnih troškova računalne snage i nema vremena čekanja – uzorak se analizira u trenutku zahtjeva.
Zamisli voditelja treninga kojem treba glas za e-learning modul. Snimi dvadeset sekundi sa slušalicama, stvori svoj prilagođeni glas i odmah dobije naratora koji zvuči kao on. Taj glas možeš klonirati i u letu, izravno unutar API zahtjeva, čak i bez spremanja ako je potreba jednokratna. A kada modul treba proizvesti na engleskom i španjolskom, isti glas zadržava svoj identitet kroz jezike: slušatelj prepoznaje osobu, a ne tri različita naratora.
Zašto Voxtral mijenja pravila igre
Tradicionalna TTS rješenja – Google Cloud TTS, Amazon Polly, Azure Speech – nude unaprijed snimljene glasove različite kvalitete koje uzimaš kakvi jesu. Novija rješenja poput ElevenLabsa nude kloniranje glasa, ali ostaju vlasnička i skupa: iznajmljuješ pristup bez da ikada kontroliraš motor.
Voxtral se ističe na tri međusobno pojačavajuća fronta. Prethodna generacija, Voxtral TTS, objavljena je sa svojim težinama pod licencom CC BY-NC 4.0: može se hostati na tvojoj vlastitoj infrastrukturi za nekomercijalnu upotrebu, što je bitno za javne službe ili zdravstvene ustanove koje ne mogu dopustiti da glasovi zaposlenika napuste njihove prostorije. Mistral API također osigurava jednostavan pristup putem Python SDK-a, s upravljanjem glasovima, strujanjem (streaming) i više audio formata, što ti omogućuje izradu prototipa u nekoliko redaka prije razmatranja samostalnog hostanja. Konačno, višejezična podrška je izvorna: za razliku od rješenja koja dodaju jezike kao nadogradnju, Voxtral je treniran za mnogo jezika – 35 s Voxtral TTS 3 – s prirodnim prijelazima između njih – englesko vlastito ime u francuskoj rečenici više ne izaziva tonalni prekid karakterističan za starije motore.
Što ćeš naučiti
Ovaj tečaj vodi te kroz sve značajke Voxtral TTS-a. Počet ćeš razumijevanjem arhitekture i dostupnih modela, zatim ćeš naučiti stvarati i upravljati prilagođenim glasovima putem API-ja. Dalje, generirat ćeš govor u stvarnom vremenu sa strujanjem prije nego što se uhvatiš u koštac s optimizacijom latencije i odabirom pravog audio formata. Putovanje završava izgradnjom potpunog glasovnog kanala, od prepoznavanja govora do sinteze putem LLM-a (STT → LLM → TTS).
Što se tiče preduvjeta, trebaš Python 3.10+ (minimum koji zahtijeva Mistral SDK od verzije 2.0) instaliran na svom računalu, Mistral AI račun s API ključem i Mistral Python SDK dobiven putem pip install mistralai. Osnovno znanje Pythona – varijable, funkcije, biblioteke – dovoljno je: nijedan kod u ovom tečaju ne prelazi trideset redaka.
Ključne točke
- Voxtral TTS je Mistral AI-jev motor za pretvorbu teksta u govor, lansiran u ožujku 2026.
- Kloniranje bez primjera (zero-shot) reproducira glas iz MP3 ili WAV snimke u trajanju od nekoliko sekundi do nekoliko minuta
- Voxtral TTS 3 pokriva 35 jezika i više od 50 dijalekata, s otprilike 90 ms prije prvog zvuka
- Težine prethodne generacije objavljene su pod licencom CC BY-NC 4.0 (nekomericalna upotreba)
- Mistral API pruža kompletan Python SDK za upravljanje glasovima i generiranje govora