Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Hangklónozás menet közben

9. lecke 14 közül Frissítve 2026. november 3. Fejlesztő
Ezen az oldalon
  1. Klónozás mentés nélkül
  2. Három forgatókönyv, ahol ez a megközelítés kiemelkedő
  3. voice_id vs. ref_audio: A különbségek
  4. Mindkét megközelítés kombinálása
  5. Főbb megállapítások

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 modell, amelyet 2026. október 31-én elavulttá nyilvánítottak és 2027. április 30-án vonnak 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 hozzáadta a szövegben használható [emotion=…] és [pace=…] címkéket, az expressiveness beállítást, az egyéni kiejtést (phoneme_hints) és 35 nyelvet támogat. A Mistral javasolja a késleltetés újbóli mérését a migráció után. Források: Migrálás a Voxtral 2-ről · Beszédgenerálás.

Klónozás mentés nélkül

Az előző lecke egy előre elkészített, mentett hangra támaszkodott, amelyet a Voices API-n keresztül hoztál létre, és amelyre a voice_id segítségével hivatkoztál. A Voxtral egy második utat is kínál: a menet közbeni klónozást, ahol a referenciát tartalmazó hangfájlt közvetlenül a generálási kérésben adod meg. Nem jön létre semmilyen objektum a fiókodban: a minta csak ezt az egyetlen kérést szolgálja, majd megsemmisül.

A gyakorlatban a voice_id paramétert a ref_audio paraméterre cseréled, amely base64 kódolású hangmintát vár. A hívás többi része változatlan marad.

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

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

# A referenciahang kódolása
ref_audio_b64 = base64.b64encode(
    Path("reference.mp3").read_bytes()
).decode()

# Generálás menet közbeni klónozással
response = client.audio.speech.complete(
    model="voxtral-mini-tts-3-0",
    input="Ez a beszéd hasonlítani fog a referenciahangra.",
    ref_audio=ref_audio_b64,
    response_format="wav",
)

audio_bytes = base64.b64decode(response.audio_data)
Path("cloned-output.wav").write_bytes(audio_bytes)
print("Hang generálva menet közbeni klónozással!")

Három forgatókönyv, ahol ez a megközelítés kiemelkedő

Az első a prototípus-készítés. Amikor a megfelelő referenciamintát keresed, lehet, hogy tízet, tizenötöt vagy még többet is kipróbálsz. Ennyi hang létrehozása a fiókodban azt jelentené, hogy később egyesével meg kellene keresned és törölnöd őket. A ref_audio használatával a tesztelési ciklusod nem hagy nyomot a szerveren, így egyszerűen a létrehozott fájlok meghallgatásával hasonlíthatod össze az eredményeket.

# Több minta gyors tesztelése
samples = ["sample1.mp3", "sample2.mp3", "sample3.mp3"]

for file in samples:
    ref_b64 = base64.b64encode(Path(file).read_bytes()).decode()
    response = client.audio.speech.complete(
        model="voxtral-mini-tts-3-0",
        input="Ez egy hangminőség-teszt.",
        ref_audio=ref_b64,
        response_format="mp3",
    )
    output = f"test-{Path(file).stem}.mp3"
    Path(output).write_bytes(base64.b64decode(response.audio_data))
    print(f"Generálva: {output}")

A második forgatókönyv az alkalmi használat. Egy személyre szabott születésnapi üzenet egy szerette hangján, vagy egy adott találkozóra előkészített ügyféldemó: ha a hangot csak egyszer használod, nincs okod arra, hogy véglegesen telepítsd a fiókodba.

A harmadik a bizalmas adatkezelés. A ref_audio útján elküldött referenciahangot a szerver nem tárolja el. Ha beteg, tanú vagy vezetői hangot kezelsz, ez a különbség nem csupán kozmetikai jellegű: megváltoztatja azt, amit az adatkezelési nyilvántartásodban deklarálnod kell, és azt is, amit egy törlési kérelem esetén törölnöd szükséges.

voice_id vs. ref_audio: A különbségek

Kritériumvoice_idref_audio
PerzisztenciaHang mentve a fiókbanNincs perzisztencia
ÚjrafelhasználhatóságKorlátlanKérésenkénti
KésleltetésKicsit gyorsabb (a hang már feldolgozva)Kicsit lassabb (feldolgozás minden híváskor)
KezelésTeljes CRUD (módosítás, törlés)Nincs mit kezelni
Hálózati költségCsak a voice_id (néhány bájt)Teljes hang minden kérésnél
BizalmasságHang tárolva a felhőbenHang nincs tárolva

A döntési szabály lényege a használat gyakorisága. Egy naponta használt hang – például egy alkalmazás narrátora vagy egy márka szóvivője – megérdemli, hogy a client.audio.voices.create() függvénnyel hozd létre: így megtakarítod a minta minden híváskori elküldésével járó sávszélességet, és nyerészkedsz a referencia feldolgozási idején is. Egy tesztelés alatt álló vagy csak egyszer használandó hang esetén a ref_audio a megfelelő választás, így nem marad utánad takarítanivaló.

Mindkét megközelítés kombinálása

Ez a két módszer nem zárja ki egymást; a leghatékonyabb munkafolyamat sorrendbe helyezi őket. Először a ref_audio segítségével keresed meg a megfelelő mintát, meghallgatva minden egyes eredményt. Ha egy jelölt megfelel, újra felhasználod ugyanazt a memóriában lévő base64 karakterláncot a végleges hang létrehozásához, kiegészítve a névvel, nyelvekkel és nemmel.

# 1. fázis: Gyors teszt ref_audio-val
ref_b64 = base64.b64encode(Path("my-voice.mp3").read_bytes()).decode()
response = client.audio.speech.complete(
    model="voxtral-mini-tts-3-0",
    input="Minőségteszt.",
    ref_audio=ref_b64,
    response_format="mp3",
)
# Hallgasd meg az eredményt...

# 2. fázis: Megelégedett? Mentsd el a hangot
voice = client.audio.voices.create(
    name="my-validated-voice",
    sample_audio=ref_b64,
    sample_filename="my-voice.mp3",
    languages=["fr"],
    gender="male",
)
print(f"Hang elmentve: {voice.id}")

Gyakorolj három saját felvétellel, amelyeket három különböző körülmény között készítettél – fejhallgató-mikrofon, telefon, visszhangos szoba. Generáld le ugyanazt a mondatot mindegyikkel a ref_audio használatával, hallgasd meg őket, majd csak a győztest mentsd el. Tíz perc alatt megtanulod, mi választ el egy jó mintát a rossztól, anélkül, hogy három használhatatlan hangot hagynál magad után.

Főbb megállapítások

  • A ref_audio paraméter lehetővé teszi a hang klónozását mentés nélkül
  • A referenciahang base64 kódolású, és közvetlenül a kérésben kerül elküldésre
  • A menet közbeni klónozás ideális teszteléshez, alkalmi használathoz és bizalmas adatkezeléshez
  • Rendszeres használathoz érdemes a mentett hangot preferálni (kisebb késleltetés, kevesebb sávszélesség)
  • Tesztelhetsz a ref_audio segítségével, majd csak akkor mented el a hangot, ha megelégedett vagy az eredménnyel