Formati zvuka
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 od 31. listopada 2026. i uklonjen 30. travnja 2027., u primjerima je zamijenjen svoxtral-mini-tts-3-0. Unaprijed definirani glasovi iz Voxtrala 2 (gb_jane_neutral…) i dalje su prihvaćeni; Voxtral 3 dodaje oznake[emotion=…]i[pace=…]u tekst, postavkuexpressiveness, prilagođeni izgovor (phoneme_hints) i podršku za 35 jezika. Mistral preporučuje ponovno mjerenje latencije nakon migracije. Izvori: Migrate from Voxtral 2 · Speech generation.
Odabir ispravnog izlaznog formata
Parametar response_format prihvaća pet vrijednosti. Taj izbor u jednom retku važniji je nego što se čini: određuje kvalitetu zvuka, veličinu datoteka koje pohranjuješ, latenciju koju tvoji korisnici percipiraju te kompatibilnost s njihovim playerima. Podcast isporučen u PCM formatu bit će neupotrebljiv za polovicu tvoje publike; glasovni agent u MP3 formatu kasnit će dvije sekunde za svaki odgovor. Donja tablica daje širu sliku, a ostatak ove lekcije objašnjava kada koristiti svaki format.
| Format | Kompresija | Kvaliteta | Latencija streamanja | Primarna namjena |
|---|---|---|---|---|
| MP3 | Gubitna (Lossy) | Dobra | ~2 sekunde | Opća uporaba, datoteke |
| WAV | Nema (PCM) | Maksimalna | Srednja | Postprodukcija, audioknjige |
| PCM | Nema (sirovi) | Maksimalna | ~0,7 sekundi | Streamanje u stvarnom vremenu |
| FLAC | Bez gubitaka (Lossless) | Maksimalna | Srednja | Arhiviranje, profesionalna kvaliteta |
| Opus | Gubitna (Lossy) | Vrlo dobra | Niska | Streamanje, VoIP, ograničena propusnost |
Latencije u ovoj tablici su grube procjene izmjerene s Voxtralom 2; ponovno ih izmjeri s Voxtral TTS 3, koji u svim slučajevima proizvodi mono zvuk na 24 kHz.
MP3: Univerzalni standard
MP3 ostaje najrašireniji format: svaki preglednik, telefon i player čita ga izvorno, a nosi i ID3 metapodatke koje zahtijevaju platforme za podcaste. Njegova kompresija je gubitna, pa je kvaliteta neznatno niža od WAV-a, no razlika je kod govora rijetko čujna. Njegov pravi nedostatak leži drugdje: kod streamanja, kodek mora akumulirati podatke prije proizvodnje prvog okvira, što odgađa prvi zvuk za oko dvije sekunde. Odaberi ovaj format za datoteke za preuzimanje, podcaste ili standardnu web integraciju—nikada za konverzacijsku uporabu.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="An MP3 file for standard use.",
voice_id=voice_id,
response_format="mp3",
)
WAV: Maksimalna kvaliteta
WAV sadrži nekompresirani PCM audio, isporučujući najbolju moguću kvalitetu bez ikakvog gubitka. Budući da nema što dekodirati, a audio editori univerzalno prepoznaju format, to je prirodna polazna točka za svaki lanac postprodukcije: uređuješ, izjednačavaš i komprimiraš, a zatim izvoziš u željeni format za distribuciju. Kompromis je veličina datoteke—oko deset puta veća od MP3-a—i odgovarajući zahtjevi za propusnošću.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="A WAV file for the best quality.",
voice_id=voice_id,
response_format="wav",
)
Rezerviraj ga za audioknjige studijske kvalitete, arhiviranje i sve što planiraš kasnije uređivati.
PCM: Format za stvarno vrijeme
PCM (Pulse Code Modulation) sirovi je Float32 Little-Endian audio bez zaglavlja ili enkapsulacije. Ta golotinja je i njegova snaga i njegova slabost. Snaga: nema što kodirati ni dekodirati, prvi zvuk stiže za oko 0,7 sekundi, a primljeni bajtovi se izravno pišu na zvučnu karticu. Slabost: bez zaglavlja, moraš sam znati i proslijediti frekvenciju uzorkovanja i format—upravo zato je primjer pyaudio u Lekciji 10 eksplicitno deklarirao paFloat32, jedan kanal i 24.000 Hz. Datoteke su također vrlo velike, a nijedan potrošački player ih ne otvara izravno.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Raw PCM for streaming.",
voice_id=voice_id,
response_format="pcm",
)
Ovo je format za glasovne asistente u stvarnom vremenu, konverzacijske agente i WebRTC aplikacije.
FLAC: Kompresija bez gubitaka
FLAC smanjuje veličinu datoteke za 50% do 60% bez diranja ijednog uzorka: kvaliteta je strogo identična WAV-u, a zadržavaš i metapodatke. U praksi, ovo je tvoj format za arhiviranje: pohrani svoje master zapise u FLAC i godinama kasnije možeš regenerirati MP3 ili Opus bez patnje od dvostruke kompresije koja degradira zvuk. Zahtijeva dekoder, što ga čini manje univerzalnim od MP3-a.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="FLAC for lossless archiving.",
voice_id=voice_id,
response_format="flac",
)
Opus: Moderan kompromis
Opus je kodek dizajniran za komunikaciju u stvarnom vremenu, isporučujući izvrsnu kvalitetu pri vrlo niskim brzinama prijenosa. Na mobilnoj aplikaciji koja radi na degradiranoj 4G mreži, isporučuje čist glas tamo gdje bi WAV zasitio vezu, s niskom latencijom streamanja—višom od PCM-a, ali znatno nižom od MP3-a. Kompatibilnost je ipak nejednolika: ne podržavaju ga svi playeri izvorno, a neki zahtijevaju OGG kontejner.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Opus for efficient streaming.",
voice_id=voice_id,
response_format="opus",
)
Ovo je izbor za VoIP, streamanje s ograničenom propusnošću i mobilne aplikacije.
Odluka u jednoj minuti
Suočen s novim projektom, odluči ovim redoslijedom. Ako radiš streamanje u stvarnom vremenu, odaberi PCM za minimalnu latenciju ili Opus ako je propusnost jednako važna kao i odzivnost. Inače, zapitaj se gdje će se datoteka reproducirati: u pregledniku, MP3 jamči maksimalnu kompatibilnost. Ako je potrebno kasnije uređivanje, WAV ti daje najlakši materijal za manipulaciju. Ako se mora arhivirati bez gubitka ijednog decibela, FLAC komprimira bez žrtvovanja bilo čega. A ako je dominantno ograničenje spora mreža, Opus nudi najbolji omjer kvalitete i veličine.
Ključne točke
- MP3 je zadani izbor za univerzalnu kompatibilnost
- PCM nudi najnižu latenciju za streamanje u stvarnom vremenu (~0,7 s)
- WAV pruža najbolju nekompresiranu kvalitetu, idealnu za postprodukciju
- FLAC komprimira bez gubitaka—ista kvaliteta kao WAV, manje datoteke
- Opus je najbolji kompromis kvalitete i veličine za mrežne aplikacije