Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Egyéni hang létrehozása

5. lecke 14 közül Frissítve 2026. november 3. Fejlesztő
Ezen az oldalon
  1. A felvételtől a klónozott hangig
  2. A hangminta előkészítése
  3. Teljes Python-kód
  4. Felvétel készítése a böngészőből
  5. A hang ellenőrzése
  6. Főbb megállapítások

A tanfolyam frissítve: 2026. november 3., Voxtral TTS 3 verzió, a Migrálás a Voxtral 2-ről útmutató és a Mistral Szövegből beszéd (Text to Speech) oldalai alapján: a voxtral-mini-tts-2603 modell, amelyet 2026. október 31-én elavulttá nyilvánítottak és 2027. április 30-án vontak vissza, a példákban a voxtral-mini-tts-3-0 váltotta fel. A Voxtral 2 előre definiált hangjai (pl. gb_jane_neutral…) továbbra is elfogadottak; a Voxtral 3 bevezeti a szövegben használható [emotion=…] és [pace=…] címkéket, az expressiveness beállítást, 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.

A felvételtől a klónozott hangig

A Voxtral segítségével történő egyéni hang létrehozása lényegében két lépésből áll: készíts elő egy nagy minőségű hangmintát, majd küldd el azt az API-nak a megfelelő paraméterekkel. A második lépés tíz percet vesz igénybe; az első azonban több figyelmet érdemel, mivel ez határozza meg az eredményt. Ez a lecke végigvezet az első hangod létrehozásának folyamatán.

A hangminta előkészítése

A hangminta a hangod alapköve: minősége közvetlenül meghatározza a szintetizált beszéd minőségét. A modell nem javít ki semmit; azt reprodukálja, amit hall.

A Voxtral TTS 3 dokumentációja néhány másodperctől néhány percig tartó MP3 vagy WAV felvételt kér (a Voxtral 2 még 3–30 másodpercet fogadott el). A gyakorlatban három režim emelkedik ki. 3 és 10 másodperc között a modell megragadja az alapvető tónust, de kevesebb árnyalattal: a hang felismerhető lesz, de nem igazán élethű. 10 és 20 másodperc között jó kompromisszumot érsz el a minőség és az egyszerűség között, ami a legtöbb projekthez elegendő. 20 másodperc felett elég anyagot adsz a modellnek ahhoz, hogy megragadja a finomságokat – a ritmust, a hanglejtést, azokat a mikro-variációkat, amelyek miatt egy barátod két szóból is felismer.

Marad a kérdés: mit mondj? Ez a probléma több embert állít meg, mint gondolnád, amikor eljön a felvétel ideje. Íme egy referenciaszöveg, amelyet a Mistral ajánl:

„Hangmintát rögzítek a hangom klónozásához. Ha végeztem, képes leszek olyan beszédet generálni, amely úgy hangzik, mint én. Hihetetlen, ahogy az AI képes megragadni a beszédstílusomat, a hangszínemet, a ritmusomat, sőt azokat a kis sajátosságokat is, amelyek egyedivé teszik a hangomat.”

Ez a szöveg nem önkényes: úgy tervezték, hogy lefedjen különféle hangokat és hanglejtéseket angolul, nyílt és zárt magánhangzókkal, zárhangokkal és egy felkiáltó mondattal. A fájlok tekintetében az API elfogadja a gyakori formátumokat – MP3, WAV, FLAC, OGG – és a fájlt base64-kódolással látja el elküldés előtt.

Teljes Python-kód

Íme a kód egy hang létrehozásához az összes elérhető paraméterrel:

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

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

# Hangminta beolvasása és kódolása
audio_path = Path("my-sample.mp3")
sample_audio_b64 = base64.b64encode(audio_path.read_bytes()).decode()

# Hang létrehozása az összes paraméterrel
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}")

Csak két paraméter kötelező:

  • name: a hangod megjelenítendő neve. Válassz leíró nevet, amely segít a könnyű azonosításban (pl. support-assistant-en, podcast-intro)
  • sample_audio: a base64-ben kódolt hangminta. Ez az egyetlen paraméter, amelyet létrehozás után már nem lehet módosítani

A többi paraméter opcionális, de mindegyiknek konkrét célja van:

  • sample_filename: az eredeti fájlnév. Segíti az API-t a hangformátum észlelésében
  • slug: URL-barát azonosító. Ha kihagyod, a rendszer automatikusan generálja a névből
  • languages: ISO nyelvi kódok tömbje (pl. ["en", "fr", "es"]). Jelzi, mely nyelvekre van optimalizálva ez a hang
  • gender: "male" vagy "female". A felületen történő szűréshez használják
  • age: egész szám, amely a beszélő hozzávetőleges életkorát jelöli. Segít a hang kategorizálásában
  • tags: szabad formátumú karakterláncok tömbje a hangjaid szervezéséhez (pl. ["commercial", "dynamic"])

Egyetlen hangot érintő projekt esetén kísértésbe eshetsz, hogy mindent kihagyj. Ám harminc hangból álló katalógus esetén, amely több ügyfél között oszlik meg, a létrehozáskor megadott címkék és nyelvek óráknyi válogatást spórolnak meg neked.

Felvétel készítése a böngészőből

Ha nem szeretnél hangfájlokkal bajlódni, a Mistral Studio lehetővé teszi, hogy közvetlenül a böngésződből rögzíts:

  1. Navigálj az Audio > Text to Speech szekcióba
  2. Kattints a My Voices, majd az Add a new voice gombra
  3. Add meg a hangod nevét
  4. Kattints a felvétel gombra, és beszélj 10–30 másodpercig
  5. Erősítsd meg – a hangod azonnal elérhetővé válik

Ez a módszer tökéletesen működik gyors tesztekhez, vagy amikor a hangját kölcsönző személy nem az, aki a kódot írja – egy színész vagy vezető sokkal inkább hajlandó elvégezni a gyakorlatot egy böngészőben, mint egy terminálban.

A hang ellenőrzése

Soha ne lépj tovább anélkül, hogy meghallgatnád az eredményt. Amint a létrehozás befejeződött, generálj egy tesztmondatot:

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!")

Hallgasd meg fejhallgatón, ne laptop hangszóróin: ott a tónusbeli hibák hallhatatlanok maradnak. Ha az eredmény nem elégedít meg, hozz létre egy új hangot egy jobb mintával, ahelyett, hogy ugyanazt használnád újra – az API amúgy sem teszi lehetővé egy meglévő hang audiójának cseréjét, és a gyenge felvételen való erősködés csak elhalasztja a problémát.

Főbb megállapítások

  • A felvétel (MP3 vagy WAV) tarthat néhány másodperctől néhány percig; célozz meg legalább 10–20 másodperc változatos beszédet
  • A hangfájlt base64-kódolással látják el az API-nak történő elküldés előtt
  • A name és a sample_audio paraméterek kötelezőek; a többi opcionális
  • A Mistral Studio lehetővé teszi a közvetlen rögzítést a böngészőből
  • Mindig teszteld le a hangodat közvetlenül a létrehozása után