Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Izradi prilagođeni glas

Lekcija 5 od 14 Ažurirano 3. studenoga 2026. Programer
Na ovoj stranici
  1. Od snimke do kloniranog glasa
  2. Pripremi svoj audio uzorak
  3. Potpuni Python kod
  4. Snimaj iz preglednika
  5. Provjeri svoj glas
  6. 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 Voxtrala 2 (gb_jane_neutral…) i dalje su prihvaćeni; 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.

Od snimke do kloniranog glasa

Izrada prilagođenog glasa s Voxtralom svodi se na dva koraka: pripremi visokokvalitetni audio uzorak, a zatim ga pošalji API-ju s ispravnim parametrima. Drugi korak traje deset minuta; prvi zaslužuje više pažnje jer određuje rezultat. Ovaj tečaj provest će te kroz stvaranje tvog prvog glasa.

Pripremi svoj audio uzorak

Audio uzorak temelj je tvog glasa: njegova kvaliteta izravno određuje kvalitetu sintetiziranog govora. Model ništa ne ispravlja; reproducira ono što čuje.

S Voxtral TTS 3, dokumentacija traži MP3 ili WAV snimku u trajanju od nekoliko sekundi do nekoliko minuta (Voxtral 2 prihvatao je 3 do 30 sekundi). U praksi se ističu tri režima. Između 3 i 10 sekundi, model hvata osnovni timbar, ali s manje nijansi: glas će biti prepoznatljiv, ali ne doista životan. Između 10 i 20 sekundi dobivaš dobar kompromis između kvalitete i jednostavnosti, što je dovoljno za većinu projekata. Iznad 20 sekundi, modelu daješ dovoljno materijala da shvati suptilnosti—ritam, intonaciju, one mikrovarijacije koje omogućuju prijatelju da te prepozna u dvije riječi.

Preostalo je pitanje što reći, problem koji koči više ljudi nego što bi očekivao kada dođe vrijeme za snimanje. Evo referentnog teksta koji Mistral preporučuje:

„Snimam audio uzorak kako bih klonirao svoj glas. Kada završim, moći ću generirati govor koji zvuči kao ja. Nevjerojatno je kako AI može uhvatiti moj način govora, moj ton, moj ritam, pa čak i male osobitosti koje moj glas čine jedinstvenim.”

Ovaj tekst nije proizvoljan: osmišljen je da pokrije raznovrsne zvukove i intonacije na engleskom, s otvorenim i zatvorenim samoglasnicima, eksplozivnim suglasnicima i uzvičnom rečenicom. Što se tiče datoteke, API prihvaća uobičajene formate—MP3, WAV, FLAC, OGG—a datoteka se kodira u base64 prije slanja.

Potpuni Python kod

Evo koda za izradu glasa sa svim dostupnim parametrima:

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

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

# Read and encode the audio sample
audio_path = Path("my-sample.mp3")
sample_audio_b64 = base64.b64encode(audio_path.read_bytes()).decode()

# Create the voice with all parameters
voice = client.audio.voices.create(
    name="podcast-narrator-en",
    sample_audio=sample_audio_b64,
    sample_filename=audio_path.name,
    languages=["en", "fr"],
    gender="male",
    age=40,
    tags=["podcast", "narrator", "professional"]
)

print(f"Voice created successfully!")
print(f"  ID : {voice.id}")
print(f"  Name : {voice.name}")
print(f"  Languages : {voice.languages}")

Samo su dva parametra obavezna:

  • name: prikazno ime tvog glasa. Odaberi opisno ime koje ti omogućuje laku identifikaciju (npr. support-assistant-en, podcast-intro)
  • sample_audio: audio uzorak kodiran u base64. Ovo je jedini parametar koji se ne može modificirati nakon izrade

Ostali su opcionalni, ali svaki služi konkretnoj svrsi:

  • sample_filename: izvorno ime datoteke. Pomaže API-ju da detektira audio format
  • slug: identifikator prilagođen za URL. Ako se izostavi, automatski se generira iz imena
  • languages: niz ISO kodova jezika (npr. ["en", "fr", "es"]). Označava jezike za koje je ovaj glas optimiziran
  • gender: "male" ili "female". Koristi se za filtriranje u sučelju
  • age: cijeli broj koji predstavlja približnu dob govornika. Pomaže u kategorizaciji glasa
  • tags: niz nizova slobodnog teksta za organizaciju tvojih glasova (npr. ["commercial", "dynamic"])

Na projektu s jednim glasom, mogao bi biti u iskušenju da sve izostaviš. U katalogu od trideset glasova raspoređenih na više klijenata, oznake i jezici specificirani pri izradi uštedjet će ti sate sortiranja.

Snimaj iz preglednika

Ako radije ne želiš rukovati audio datotekama, Mistral Studio omogućuje ti snimanje izravno iz preglednika:

  1. Idi u odjeljak Audio > Text to Speech
  2. Klikni My Voices, a zatim Add a new voice
  3. Unesi ime svog glasa
  4. Klikni gumb za snimanje i govori 10 do 30 sekundi
  5. Potvrdi—tvoj glas odmah je dostupan

Ova metoda savršeno funkcionira za brza testiranja ili kada osoba koja posuđuje svoj glas nije ista koja piše kod—glumac ili izvršni direktor radije će obaviti vježbu u pregledniku nego u terminalu.

Provjeri svoj glas

Nikada nemoj nastaviti dalje bez slušanja rezultata. Čim se izrada završi, generiraj testnu rečenicu:

response = client.audio.speech.complete(
    model="voxtral-mini-tts-3-0",
    input="Hello, this is a test of my custom voice.",
    voice_id=voice.id,
    response_format="mp3",
)

Path("test-voice.mp3").write_bytes(
    base64.b64decode(response.audio_data)
)
print("File test-voice.mp3 generated — listen to the result!")

Slušaj na slušalicama, a ne na zvučnicima prijenosnog računala: defekti timbra tamo su nečujni. Ako te rezultat ne zadovoljava, izradi novi glas s boljim uzorkom umjesto da ponovno koristiš isti—API ionako ne dopušta zamjenu audija postojećeg glasa, a inzistiranje na lošoj snimci samo će odgoditi problem.

Ključne točke

  • Snimka (MP3 ili WAV) može trajati od nekoliko sekundi do nekoliko minuta; ciljaj na najmanje 10 do 20 sekundi raznovrsnog govora
  • Audio datoteka kodira se u base64 prije slanja API-ju
  • Parametri name i sample_audio su obavezni; ostali su opcionalni
  • Mistral Studio omogućuje snimanje izravno iz preglednika
  • Uvijek odmah testiraj svoj glas nakon izrade