Voxtral TTS modellek
Ezen az oldalon
A tanfolyam frissítve: 2026. november 3., Voxtral TTS 3 verzióhoz, a Migrálás a Voxtral 2-ről útmutató és a Mistral Szövegfelolvasás (Text to Speech) oldalai alapján: a
voxtral-mini-tts-2603modellt, amelyet 2026. október 31-én elavulttá nyilvánítottak és 2027. április 30-án vontak vissza, a példákban avoxtral-mini-tts-3-0váltotta fel. A Voxtral 2 előre definiált hangjai (pl.gb_jane_neutral…) továbbra is támogatottak; a Voxtral 3 bevezeti a szövegben használható[emotion=…]és[pace=…]címkéket, azexpressivenessbeállítást, az egyéni kiejtést (phoneme_hints), valamint 35 nyelvet támogat. A Mistral ajánlja a késleltetés újbóli mérését a migrálás után. Források: Migrálás a Voxtral 2-ről · Beszédgenerálás.
Voxtral Mini TTS: A referencia modell
A Voxtral család szintézismodellje a Voxtral TTS 3, amely az API-ban a voxtral-mini-tts-3-0 azonosítóval (álnév: voxtral-mini-tts-3) szerepel. Ez az a slug, amelyet minden API-hívásban meg kell adnod: jegyezd meg jól, mivel ez az egyetlen karaktersorozat ebben a tanfolyamban, amit fejből kell tudnod. A modellt úgy tervezték, hogy optimális egyensúlyt teremtsen a hangminőség, a késleltetés és a költség között; ez magyarázza, miért önmagában is lefedi a szakmai felhasználási esetek szinte teljes körét.
A Voxtral Mini TTS egy hang-alapmodell (voice foundation model). Ez a megkülönböztetés nem csupán kozmetikai: a régebbi TTS-rendszerek fonémákra darabolták a szöveget, majd egy hangbankból illesztették össze azokat, ami akadozó beszédet eredményezett, ahol minden szótag függetlennek tűnt az előzőtől. Ezzel szemben a Voxtral a szöveg szemantikai kontextusának megértésével generálja a beszédet. Egy olyan mondatnál, mint „Nem ezt mondta“, a modell tudja, hová helyezze a hangsúlyt, mert értelmezte a mondatszerkezetet, így természetes prozódiát és elejétől a végéig konzisztens hanglejtést produkál.
Műszaki specifikációk
A voxtral-mini-tts-3-0 modell specifikációi a következők:
| Funkció | Érték |
|---|---|
| Modell késleltetés | Körülbelül 90 milliszekundum az első hang megjelenéséig |
| Nyelvek | 35 nyelv és több mint 50 nyelvjárás; előre definiált hangok 22 nyelven |
| Hangklónozás | Zero-shot módszerrel, néhány másodperctől néhány percig terjedő MP3 vagy WAV felvétel alapján |
| Vezérlés | 34 érzelemcímke, tempócímkék, expressiveness, egyéni kiejtés |
| Kimeneti formátumok | MP3 (alapértelmezett), WAV, PCM, FLAC, Opus — mono, 24 kHz |
| Streamelés | Valós időben támogatott |
| Ár (2026. november 3-i állapot szerint) | 13 USD millió karakterenként |
Ez a 90 milliszekundum megér egy második gondolatot: ez az az időtartam, amely az első hangrészlet elérhetővé válásáig telik el, nem pedig a teljes generálás időtartama. Egy beszélgető asszisztens esetén ez a konkrét érték határozza meg, hogy a párbeszéd természetesnek vagy erőltetettnek hat-e.
Előre integrált professzionális hangok
A hangklónozás mellett a Mistral AI professzionális hangok könyvtárát is kínálja, amelyek azonnal használhatók. Ezeket a hangokat stúdióban rögzítették, és különböző felhasználási esetekre optimalizálták. Felbecsülhetetlen segítséget nyújtanak egy projekt kezdetén: ha még mielőtt hangfelvételt szerveznél a választott szinkronszínésszel, ellenőrizni szeretnéd, hogy a folyamatod működik-e, egy előre integrált hang lehetővé teszi, hogy még ugyanazon a napon mindent letesztelj.
A Mistral Studio webes felületén böngészheted ezeket a hangokat, és három kritérium szerint szűrhetsz: nem (férfi vagy nő), a hang elsődleges nyelve, valamint az érzelem, ami az érzelmi tónusra utal (semleges, lelkes, nyugodt stb.). Mindegyik elérhető a saját voice_id azonosítóján keresztül az API-ban, pontosan úgy, mint egy általad klónozott hang: a kódodban egyetlen sort sem kell módosítanod, amikor a bemutató hangról a végleges hangra váltasz.
Nyílt súlyok: Saját üzemeltetési lehetőségek
Az előző generációt, a Voxtral TTS-t (voxtral-mini-tts-2603) nyílt súlyokkal adták ki – ez egy 4 milliárd paraméteres modell a Hugging Face-en –, a CC BY-NC 4.0 licenc alatt. Ez nem nyílt forráskódú licenc a szó hagyományos értelmében: tiltja a kereskedelmi felhasználást. Lehetővé teszi a kísérletezést és a prototípus-készítést a saját infrastruktúrádon anélkül, hogy hangminták elhagynák a hálózatodat, de egy kereskedelmi termékhez az API használatára vagy a Mistral AI-val kötött megállapodásra van szükség. A mai napig a Voxtral TTS 3 dokumentációja nem említ nyílt súlyokat.
A titoktartási kötelezettség alá eső szervezetek – például egészségügyi szolgáltatók vagy kormányzati ügynökségek – számára ezért a kérdés két részből áll: kereskedelmi célú-e a felhasználás, és lefedi-e a nyílt modell a szükséges nyelveket és minőséget? Ha nem, akkor meg kell vizsgálnod az API szerződéses vállalásait (hoszting, adatmegőrzés).
Használat a Mistral API-n keresztül
A Voxtral Mini TTS API-n keresztüli használatához először inicializálnod kell a klienst az API-kulcsoddal:
from mistralai.client import Mistral
client = Mistral(api_key="your-api-key")
A modellt ezt követően minden generálási hívásban a voxtral-mini-tts-3-0 azonosítóval hivatkozzuk. A következő leckékben látni fogod, hogyan hozz létre hangokat és generálj beszédet; ez a client objektum lesz minden további példa kiindulópontja.
Ha inkább a kódolás nélküli megoldást preferálod, a Mistral Studio grafikus felületet kínál, amely a studio.mistral.ai címen érhető el. Itt meghallgathatod az elérhető professzionális hangokat, közvetlenül a böngészőből rögzítheted a saját hangodat, tesztelheted a hanggenerálást különböző szövegekkel, és módosíthatod a paramétereket (nyelv, érzelem, formátum). Ez az ideális prototípus-készítő eszköz: tíz perc alatt validálhatod, hogy egy hang megfelel-e a projektnek, majd csak a döntés meghozatala után térhetsz át a kódolásra.
Útiterv és fejlődés
A Mistral AI bejelentette, hogy további modellek csatlakoznak a Voxtral családhoz: könnyebb modellek beágyazott és mobil alkalmazásokhoz, erősebb modellek kifejező hanggeneráláshoz, valamint a többnyelvű minőség folyamatos javítása. Ezért úgy tervezd meg az integrációidat, hogy a modell nevét egy konfigurációs változóba izolálod, ahelyett, hogy szétszórnád a kódban – így amikor megérkezik az utód, a migrálás mindössze egy sor módosítását igényli. Addig is a voxtral-mini-tts-3-0 marad a referencia, és lefedi a szakmai felhasználási esetek túlnyomó többségét.
Főbb megállapítások
- Az elsődleges modell a
voxtral-mini-tts-3-0, amelyet minőségre és késleltetésre optimalizáltak - Előre integrált professzionális hangok állnak rendelkezésre, hogy hangminta nélkül is elkezdhess dolgozni
- Az előző modell súlyai nyíltak, és saját hosztingon üzemeltethetők (nem kereskedelmi célokra)
- A Mistral Studio kódolás nélküli tesztelést lehetővé tevő grafikus felületet kínál
- A Mistral API és a Python SDK az integráció belépési pontjai