Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Modeli Voxtral TTS

Lekcija 2 od 14 Ažurirano 3. studenoga 2026. Programer
Na ovoj stranici
  1. Voxtral Mini TTS: Referentni model
  2. Tehničke specifikacije
  3. Unaprijed integrirani profesionalni glasovi
  4. Otvorene težine: Mogućnosti samostalnog hostanja
  5. Korištenje putem Mistral API-ja
  6. Evolucija plana razvoja
  7. Ključne točke

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 s voxtral-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, postavku expressiveness, prilagođeni izgovor (phoneme_hints) i 35 jezika. Mistral preporučuje ponovno mjerenje latencije nakon migracije. Izvori: Migrate from Voxtral 2 · Speech generation.

Voxtral Mini TTS: Referentni model

Sintetski model u obitelji Voxtral je Voxtral TTS 3, identificiran u API-ju kao voxtral-mini-tts-3-0 (alias voxtral-mini-tts-3). To je slug koji ćeš upisati u svaki poziv API-ja: zapamti ga, jer je to jedini niz znakova u ovom tečaju koji moraš znati napamet. Model je osmišljen kako bi ponudio optimalnu ravnotežu između kvalitete glasa, latencije i troška, što objašnjava zašto sam pokriva gotovo sve profesionalne slučajeve uporabe.

Voxtral Mini TTS je temeljni model za glasove. Ta razlika nije kozmetička: stariji TTS sustavi cijepali su tekst na foneme i spajali ih iz zvučne banke, što je rezultiralo isprekidanim glasovima gdje je svaki slog djelovao neovisno o prethodnom. Voxtral, nasuprot tome, generira govor razumijevanjem semantičkog konteksta teksta. Na rečenici poput „He didn’t say that“, model zna gdje staviti naglasak jer je protumačio strukturu rečenice, proizvodeći prirodnu prozodiju s dosljednom intonacijom od početka do kraja.

Tehničke specifikacije

Model voxtral-mini-tts-3-0 ima sljedeće specifikacije:

ZnačajkaVrijednost
Latencija modelaOtprilike 90 milisekundi prije prvog zvuka
Jezici35 jezika i preko 50 dijalekata; unaprijed definirani glasovi na 22 jezika
Kloniranje glasaZero-shot, iz MP3 ili WAV snimke u trajanju od nekoliko sekundi do nekoliko minuta
Upravljanje34 oznake emocija, oznake tempa, expressiveness, prilagođeni izgovor
Izlazni formatiMP3 (zadano), WAV, PCM, FLAC, Opus — mono, 24 kHz
Strujanje (Streaming)Podržano u stvarnom vremenu
Cijena na dan 3. studenoga 2026.13 USD po milijunu znakova

Tih 90 milisekundi zaslužuje drugo razmišljanje: to je kašnjenje prije nego što prvi audio fragment postane dostupan, a ne ukupno trajanje generiranja. U konverzacijskom asistentu ta specifična brojka određuje hoće li razmjena djelovati prirodno ili naporno.

Unaprijed integrirani profesionalni glasovi

Uz kloniranje glasa, Mistral AI nudi knjižnicu profesionalnih glasova spremnih za trenutnu uporabu. Ti su glasovi snimljeni u studiju i optimizirani za različite slučajeve uporabe. Pružaju neprocjenjivu uslugu na početku projekta: ako želiš provjeriti funkcionira li tvoj pipeline prije nego što uopće organiziraš sesiju snimanja s odabranim glumcem, unaprijed integrirani glas omogućuje ti da istog dana testiraš sve.

U Mistral Studiju, web sučelju, možeš istražiti ove glasove i filtrirati ih prema tri kriterija: spolu (muški ili ženski), primarnom jeziku glasa i emociji, što znači emocionalni ton — neutralan, entuzijastičan, smiren i tako dalje. Svakom se može pristupiti putem njegovog voice_id u API-ju, točno kao i glasu koji si sam klonirao: tvoj kod ne mijenja niti jedan redak kada prijeđeš s demo glasa na konačni glas.

Otvorene težine: Mogućnosti samostalnog hostanja

Prethodna generacija, Voxtral TTS (voxtral-mini-tts-2603), objavljena je sa svojim težinama — modelom od 4 milijarde parametara na Hugging Faceu — pod licencom CC BY-NC 4.0. To nije licenca otvorenog koda u uobičajenom smislu: zabranjuje komercijalnu uporabu. Omogućuje eksperimentiranje i izradu prototipova na vlastitoj infrastrukturi bez da ijedan uzorak glasa napusti tvoju mrežu, ali komercijalni proizvod mora koristiti API ili postići dogovor s Mistral AI-om. Do danas, dokumentacija za Voxtral TTS 3 ne spominje nikakve otvorene težine.

Za organizacije podložne ograničenjima povjerljivosti — poput pružatelja zdravstvenih usluga ili državne agencije — pitanje se stoga postavlja u dva dijela: je li uporaba komercijalna i pokriva li otvoreni model potrebne jezike i kvalitetu? Ako ne, moraš ispitati ugovorne obveze API-ja (hosting, zadržavanje podataka).

Korištenje putem Mistral API-ja

Za korištenje Voxtral Mini TTS-a putem API-ja, prvo moraš inicijalizirati klijent sa svojim API ključem:

from mistralai.client import Mistral

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

Model se zatim referencira svojim identifikatorom voxtral-mini-tts-3-0 u svakom pozivu generiranja. U narednim lekcijama vidjet ćeš kako stvarati glasove i generirati govor; ovaj objekt client bit će polazište za sve sljedeće primjere.

Ako preferiraš pristup bez kodiranja, Mistral Studio nudi grafičko sučelje dostupno na studio.mistral.ai. Ondje možeš slušati dostupne profesionalne glasove, snimiti vlastiti glas izravno iz preglednika, testirati generiranje glasa s različitim tekstovima i prilagoditi parametre — jezik, emociju, format. To je idealan alat za izradu prototipova: u deset minuta potvrdi odgovara li glas projektu, a zatim prijeđi na kodiranje kada se donese odluka.

Evolucija plana razvoja

Mistral AI je najavio da će se drugi modeli pridružiti obitelji Voxtral: lakši modeli za ugrađene i mobilne aplikacije, snažniji modeli za generiranje ekspresivnih glasova te kontinuirana poboljšanja višejezične kvalitete. Stoga svoje integracije dizajniraj tako da ime modela izoliraš u konfiguracijskoj varijabli umjesto da ga raspršiš po cijelom kodu — kada stigne nasljednik, migracija će zahtijevati samo jedan redak. Do tada, voxtral-mini-tts-3-0 ostaje referenca i pokriva veliku većinu profesionalnih slučajeva uporabe.

Ključne točke

  • Primarni model je voxtral-mini-tts-3-0, optimiziran za kvalitetu i latenciju
  • Unaprijed integrirani profesionalni glasovi dostupni su za početak rada bez audio uzorka
  • Prethodni model ima otvorene težine i može se samostalno hostati (nekomercijalno)
  • Mistral Studio nudi grafičko sučelje za testiranje bez kodiranja
  • Mistral API i Python SDK ulazne su točke za integraciju