Egyéni hang létrehozása
Ezen az oldalon
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-2603modell, 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 elfogadottak; 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.
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 észlelésébenslug: URL-barát azonosító. Ha kihagyod, a rendszer automatikusan generálja a névbőllanguages: ISO nyelvi kódok tömbje (pl.["en", "fr", "es"]). Jelzi, mely nyelvekre van optimalizálva ez a hanggender:"male"vagy"female". A felületen történő szűréshez használjákage: egész szám, amely a beszélő hozzávetőleges életkorát jelöli. Segít a hang kategorizálásábantags: 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:
- Navigálj az Audio > Text to Speech szekcióba
- Kattints a My Voices, majd az Add a new voice gombra
- Add meg a hangod nevét
- Kattints a felvétel gombra, és beszélj 10–30 másodpercig
- 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
nameés asample_audioparaméterek kötelezőek; a többi opcionális - A Mistral Studio lehetővé teszi a közvetlen rögzítést a böngészőből
- Mindig teszteld le a hangodat közvetlenül a létrehozása után