Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Osnovno generiranje govora

Lekcija 8 od 14 Ažurirano 3. studenoga 2026. Programer
Na ovoj stranici
  1. Tvoje prvo generiranje glasa
  2. Što kontrolira svaki parametar
  3. Skaliranje: Poglavlje audioknjige
  4. Kada generiranje ne uspije
  5. 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 Voxtral 2 (gb_jane_neutral…) i dalje su prihvaćeni; Voxtral 3 dodaje oznake [emotion=…] i [pace=…] u tekstu, postavku expressiveness, prilagođeni izgovor (phoneme_hints) i 35 jezika. Mistral preporučuje ponovno mjerenje latencije nakon migracije. Izvori: Migrate from Voxtral 2 · Speech generation.

Tvoje prvo generiranje glasa

Sada znaš kako stvoriti glas i upravljati njime putem Voices API-ja. Posljednji korak je učiniti ono zbog čega je sav taj rad i obavljen: proizvesti zvuk. Mistralov Speech API svodi se na jedan poziv, client.audio.speech.complete(), koji prima tekst i ID glasa te vraća audio zapis kodiran u base64. Ova lekcija pokriva osnovno generiranje sa spremljenim glasom; kloniranje u stvarnom vremenu i strujanje (streaming) slijede u nastavku.

Kôd u nastavku sve je što ti treba da rečenicu pretvoriš u MP3 datoteku na svom disku. Obrati posebnu pozornost na posljednji korak: odgovor ne sadrži sirove audio bajtove koje možeš izravno upotrijebiti, već base64 niz koji moraš dekodirati prije zapisivanja datoteke. Ovo je klasična početnička pogreška – spremanje niza kakav jest uzrokuje da audio playeri odbiju otvoriti datoteku.

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

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

# Generate speech with a saved voice
response = client.audio.speech.complete(
    model="voxtral-mini-tts-3-0",
    input="Hello and welcome to this course on Voxtral TTS.",
    voice_id="your-voice-id",
    response_format="mp3",
)

# Decode base64 and save to file
audio_bytes = base64.b64decode(response.audio_data)
Path("output.mp3").write_bytes(audio_bytes)
print(f"Audio generated: {len(audio_bytes)} bytes")

Što kontrolira svaki parametar

Parametar model specificira model sinteze. Od danas je voxtral-mini-tts-3-0 jedini dostupan, ali ga uvijek eksplicitno navedi: kada se pojave drugi modeli, tvoj će kôd nastaviti proizvoditi točno onaj glas koji proizvodi i danas.

input prima tekst za izgovor i daleko je parametar koji zahtijeva najviše pozornosti. Dokumentacija za Voxtral 2 savjetovala je da se zadržiš ispod 300 riječi po zahtjevu; dokumentacija za Voxtral TTS 3 više ne postavlja ograničenje, ali zahtjevi s jednim odlomkom i dalje su lakši za kontrolu i reprodukciju. Izbjegavaj emojije koje model ne može interpretirati, kao i složeno formatiranje – Markdown, HTML, posebne znakove – jer će se sve to čitati doslovno. Naposljetku, piši brojeve i kratice slovima: „dvadeset i tri“ umjesto „23“, „društvo s ograničenom odgovornošću“ umjesto „d.o.o.“. Glasovni agent koji posrće nad brojevima dok najavljuje iznos gubi vjerodostojnost u jednoj rečenici.

voice_id identificira korišteni glas. Dobivaš ga na tri načina: stvaranjem glasa s client.audio.voices.create() (vidi lekciju 5), popisivanjem postojećih glasova s client.audio.voices.list() ili ponovnom upotrebom ID-a Mistralovog profesionalnog glasa. response_format, konačno, postavlja izlazni format među mp3, wav, pcm, flac i opus. Ovaj izbor utječe i na veličinu datoteke i na latenciju, a lekcija 12 u cijelosti je posvećena tome.

Skaliranje: Poglavlje audioknjige

Za nešto duže tekstove, dijeljenje ostaje najbolja praksa. Princip je jednostavan: pripremi popis odlomaka, generiraj svaki zasebno, zatim akumuliraj dekodirane bajtove u jedan međuspremnik prije zapisivanja konačne datoteke.

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

client = Mistral(api_key="your-api-key")
voice_id = "your-voice-id"

# Text split into paragraphs
paragraphs = [
    "First paragraph of the chapter. The narrator introduces the context.",
    "Second paragraph. The action begins to develop.",
    "Third paragraph. Suspense builds gradually.",
]

full_audio = b""

for i, text in enumerate(paragraphs):
    print(f"Generating segment {i + 1}/{len(paragraphs)}...")
    response = client.audio.speech.complete(
        model="voxtral-mini-tts-3-0",
        input=text,
        voice_id=voice_id,
        response_format="wav",
    )
    full_audio += base64.b64decode(response.audio_data)

Path("chapter-01.wav").write_bytes(full_audio)
print("Audio chapter generated successfully!")

Ova skripta funkcionira jer proizvodi WAV, nekompresirani format čiji se segmenti mogu spajati kraj-u-kraj bez posebne obrade. Pokušaš li isto učiniti s MP3 ili Opusom, rezultat će biti neupotrebljiv: ovi komprimirani formati nose zaglavlja i strukture okvira koje sirovo spajanje razbija. Umjesto toga, upotrijebi biblioteku poput pydub, koja dekodira svaki segment prije njihovog čistog spajanja.

Kada generiranje ne uspije

U proizvodnji moraš zaštititi poziv. voice_id koji je jučer izbrisao kolega, tekst koji tiho raste jer je polje konkatenirano, API kvota iscrpljena na kraju mjeseca, pogrešno napisan izlazni format: svaka od ovih situacija podiže iznimku, a bez sigurnosnih mjera tvoja serijska obrada staje usred korpusa.

try:
    response = client.audio.speech.complete(
        model="voxtral-mini-tts-3-0",
        input="Text to convert to speech.",
        voice_id=voice_id,
        response_format="mp3",
    )
    audio_bytes = base64.b64decode(response.audio_data)
    Path("output.mp3").write_bytes(audio_bytes)
except Exception as e:
    print(f"Error during generation: {e}")

Uzmi si vremena testirati ovaj put obrade pogrešaka prije prelaska u proizvodnju: namjerno generiraj s lažnim voice_id i provjeri signalizira li tvoja aplikacija to jasno, umjesto da proizvede praznu datoteku.

Ključne točke

  • Generiranje koristi client.audio.speech.complete() s modelom voxtral-mini-tts-3-0
  • Duge tekstove podijeli u odlomke i izbjegavaj emojije i formatiranje
  • Piši brojeve i kratice slovima radi ispravnog izgovora
  • Vraćeni audio je base64 – dekodiraj ga prije spremanja
  • Za duge tekstove podijeli ih na segmente i spoji rezultate