Hangformátumok
Ezen az oldalon
A tanfolyam frissítve: 2026. november 3., Voxtral TTS 3 verzióhoz, a Migrálás a Voxtral 2-ről útmutató és a Mistral Szövegből beszéd oldalai alapján: a
voxtral-mini-tts-2603, amely 2026. október 31-én elavult és 2027. április 30-án megszűnik, a példákban avoxtral-mini-tts-3-0váltja fel. A Voxtral 2 előre definiált hangjai (gb_jane_neutral…) továbbra is elfogadottak; a Voxtral 3 hozzáadja a[emotion=…]és[pace=…]címkéket a szövegben, azexpressivenessbeállítást, az egyéni kiejtést (phoneme_hints) és 35 nyelvet támogat. A Mistral ajánlja a késleltetés újbóli mérését a migrálás után. Források: Migrálás a Voxtral 2-ről · Beszédgenerálás.
A megfelelő kimeneti formátum kiválasztása
A response_format paraméter öt értéket fogad el. Ez az egysoros választás sokkal fontosabb, mint elsőre gondolnád: meghatározza a hangminőséget, a tárolt fájlok méretét, a felhasználóid által érzékelt késleltetést és a lejátszóikkal való kompatibilitást. Egy PCM-ben kézbesített podcast a közönséged felének lejátszhatatlan lesz; egy MP3-ban működő hangügynök minden válasz esetén két másodperces késésben lesz. Az alábbi táblázat áttekintést nyújt, a lecke hátralévő része pedig részletezi, mikor melyik formátumot érdemes használni.
| Formátum | Tömörítés | Minőség | Streaming késleltetés | Elsődleges felhasználási terület |
|---|---|---|---|---|
| MP3 | Veszteséges | Jó | ~2 másodperc | Általános használat, fájlok |
| WAV | Nincs (PCM) | Maximális | Közepes | Utómunka, hangoskönyvek |
| PCM | Nincs (nyers) | Maximális | ~0,7 másodperc | Valós idejű streaming |
| FLAC | Veszteségmentes | Maximális | Közepes | Archiválás, profi minőség |
| Opus | Veszteséges | Nagyon jó | Alacsony | Streaming, VoIP, korlátozott sávszélesség |
A táblázatban szereplő késleltetési értékek durva nagyságrendek, amelyeket a Voxtral 2-vel mértek; mérd őket újra a Voxtral TTS 3-mal, amely minden esetben 24 kHz-es mono hangot állít elő.
MP3: Az univerzális szabvány
Az MP3 marad a legelterjedtebb formátum: minden böngésző, telefon és lejátszó natívan kezeli, és tartalmazza azokat az ID3 metaadatokat, amelyeket a podcast platformok megkövetelnek. Tömörítése veszteséges, így a minőség kissé alacsonyabb, mint a WAV-é, de beszéd esetén a különbség ritkán hallható. Valódi hátránya máshol rejlik: streaming esetén a kodeknek fel kell halmoznia az adatokat, mielőtt előállítaná az első keretet, ami körülbelül két másodperccel késlelteti az első hang megjelenését. Ezt a formátumot letölthető fájlokhoz, podcastokhoz vagy szabványos webes integrációhoz válaszd – soha ne beszélgetési célokra.
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: Maximális minőség
A WAV tömörítetlen PCM hangot tartalmaz, így a lehető legjobb minőséget biztosítja, veszteség nélkül. Mivel nincs mit dekódolni, és a hangszerkesztők egyetemesen felismerik ezt a formátumot, ez a természetes kiindulópont bármilyen utómunka-folyamathoz: itt szerkesztesz, equalizálsz és tömörítesz, majd exportálod a kívánt terjesztési formátumba. A hátrány a fájlméret – körülbelül tízszerese egy MP3-nak – és a hozzá tartozó sávszélesség-igény.
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",
)
Tartsd fenn stúdióminőségű hangoskönyvekhez, archiváláshoz és minden olyan esethez, amit később szerkeszteni tervezel.
PCM: A valós idejű formátum
A PCM (Pulse Code Modulation) nyers, Float32 Little-Endian hang, fejléc vagy burkoló nélkül. Ez a puszta egyszerűség egyszerre az erőssége és a gyengesége. Erőssége: nincs mit kódolni vagy dekódolni, az első hang körülbelül 0,7 másodperc alatt megérkezik, és a fogadott bájtok közvetlenül a hangkártyára írhatók. Gyengesége: fejléc nélkül neked kell ismerned és továbbítanod a mintavételezési rátát és a formátumot – pontosan ezért deklarálta a 10. leckében szereplő pyaudio példa explicit módon a paFloat32-t, egy csatornát és 24 000 Hz-et. A fájlok emellett nagyon nagyok, és egyetlen fogyasztói lejátszó sem nyitja meg őket közvetlenül.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Raw PCM for streaming.",
voice_id=voice_id,
response_format="pcm",
)
Ez a formátum valósidejű hangasszisztensekhez, beszélgetőügynökökhöz és WebRTC alkalmazásokhoz való.
FLAC: Veszteségmentes tömörítés
A FLAC 50–60%-kal csökkenti a fájlméretet anélkül, hogy egyetlen mintát is megváltoztatna: a minőség szigorúan megegyezik a WAV-éval, és megőrzi a metaadatokat is. A gyakorlatban ez a te archiválási formátumod: tárold a mesterszalagjaidat FLAC-ban, és évek múlva is generálhatsz belőlük MP3-at vagy Opust anélkül, hogy szenvednél a hangot rontó kétszeres tömörítéstől. Dekódolást igényel, így kevésbé univerzális, mint az MP3.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="FLAC for lossless archiving.",
voice_id=voice_id,
response_format="flac",
)
Opus: A modern kompromisszum
Az Opus egy valós idejű kommunikációra tervezett kodek, amely kiváló minőséget biztosít nagyon alacsony bitrátán. Egy gyengébb 4G-n futó mobilalkalmazásban tiszta hangot szállít ott, ahol a WAV túlterhelné a kapcsolatot, alacsony streaming késleltetéssel – magasabb, mint a PCM-é, de jóval alacsonyabb, mint az MP3-é. A kompatibilitás azonban vegyes: nem minden lejátszó támogatja natívan, és egyesek OGG konténert igényelnek.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Opus for efficient streaming.",
voice_id=voice_id,
response_format="opus",
)
Ez a választás VoIP-hoz, korlátozott sávszélességű streaminghez és mobilalkalmazásokhoz.
Döntés egy perc alatt
Új projekt előtt a következő sorrendben dönts. Ha valós idejű streaminget végzel, válaszd a PCM-et a minimális késleltetés érdekében, vagy az Opust, ha a sávszélesség ugyanolyan fontos, mint a reagálóképesség. Egyéb esetben tedd fel a kérdést: hol fogják lejátszani a fájlt? Böngészőben az MP3 garantálja a maximális kompatibilitást. Ha később szerkeszteni kell, a WAV adja a legkönnyebben kezelhető anyagot. Ha decibel veszítése nélkül kell archiválni, a FLAC tömörít veszteség nélkül. És ha a domináns korlát a lassú hálózat, az Opus kínálja a legjobb minőség-méret arányt.
Főbb megállapítások
- Az MP3 az alapértelmezett választás az univerzális kompatibilitás érdekében
- A PCM biztosítja a legalacsonyabb késleltetést valós idejű streaminghez (~0,7 s)
- A WAV nyújtja a legjobb tömörítetlen minőséget, ideális utómunkához
- A FLAC veszteségmentesen tömörít – ugyanolyan minőség, mint a WAV, kisebb fájlméret
- Az Opus a legjobb minőség-méret kompromisszum hálózati alkalmazásokhoz