Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Modelli TTS Voxtral

Lezione 2 di 14 Aggiornata il 3 novembre 2026 Sviluppatore
In questa pagina
  1. Voxtral Mini TTS: il modello di riferimento
  2. Specifiche tecniche
  3. Voci professionali pre-integrate
  4. Pesi aperti: opzioni di self-hosting
  5. Utilizzo tramite l’API Mistral
  6. Evoluzione della roadmap
  7. Punti chiave

Corso aggiornato il 3 novembre 2026 per Voxtral TTS 3, basato sulla guida Migrate from Voxtral 2 e sulle pagine Text to Speech di Mistral: voxtral-mini-tts-2603, deprecato il 31 ottobre 2026 e ritirato il 30 aprile 2027, viene sostituito negli esempi da voxtral-mini-tts-3-0. Le voci predefinite di Voxtral 2 (gb_jane_neutral…) rimangono supportate; Voxtral 3 aggiunge i tag [emotion=…] e [pace=…] nel testo, l’impostazione expressiveness, la pronuncia personalizzata (phoneme_hints) e 35 lingue. Mistral consiglia di rimisurare la latenza dopo la migrazione. Fonti: Migrate from Voxtral 2 · Speech generation.

Voxtral Mini TTS: il modello di riferimento

Il modello di sintesi della famiglia Voxtral è Voxtral TTS 3, identificato nell’API come voxtral-mini-tts-3-0 (alias voxtral-mini-tts-3). Questo è lo slug che scriverai in ogni chiamata API: memorizzalo, perché è l’unica stringa di questo corso che devi sapere a memoria. Il modello è progettato per offrire un equilibrio ottimale tra qualità vocale, latenza e costo, motivo per cui copre da solo quasi tutti i casi d’uso professionali.

Voxtral Mini TTS è un modello fondazionale per la voce. Questa distinzione non è cosmetica: i vecchi sistemi TTS spezzettavano il testo in fonemi e li concatenavano da una banca suoni, producendo voci spezzettate dove ogni sillaba sembrava indipendente dalla precedente. Voxtral, al contrario, genera il parlato comprendendo il contesto semantico del testo. Su una frase come “He didn’t say that”, il modello sa dove porre l’enfasi perché ha interpretato la struttura della frase, producendo una prosodia naturale con un’intonazione coerente dall’inizio alla fine.

Specifiche tecniche

Il modello voxtral-mini-tts-3-0 presenta le seguenti specifiche:

CaratteristicaValore
Latenza del modelloCirca 90 millisecondi prima del primo suono
Lingue35 lingue e oltre 50 dialetti; voci predefinite in 22 lingue
Voice CloningZero-shot, da una registrazione MP3 o WAV da pochi secondi a pochi minuti
Controllo34 tag emozione, tag ritmo, expressiveness, pronuncia personalizzata
Formati di outputMP3 (default), WAV, PCM, FLAC, Opus — mono, 24 kHz
StreamingSupportato in tempo reale
Prezzo al 3 novembre 202613 $ per milione di caratteri

Quei 90 millisecondi meritano una riflessione: questo è il ritardo prima che il primo frammento audio sia disponibile, non la durata totale della generazione. In un assistente conversazionale, questa cifra specifica determina se lo scambio risulta naturale o laborioso.

Voci professionali pre-integrate

Oltre al voice cloning, Mistral AI offre una libreria di voci professionali pronte all’uso immediato. Queste voci sono state registrate in studio e ottimizzate per vari casi d’uso. Forniscono un servizio prezioso all’inizio di un progetto: se vuoi verificare che la tua pipeline funzioni prima ancora di organizzare una sessione di registrazione con il tuo doppiatore scelto, una voce pre-integrata ti permette di testare tutto nella stessa giornata.

In Mistral Studio, l’interfaccia web, puoi esplorare queste voci e filtrarle secondo tre criteri: genere (maschile o femminile), la lingua principale della voce e emozione, ovvero il tono emotivo (neutro, entusiasta, calmo, e così via). Ognuna è accessibile tramite il suo voice_id nell’API, esattamente come una voce che hai clonato tu stesso: il tuo codice non cambia di una singola riga quando passi dalla voce demo alla voce finale.

Pesi aperti: opzioni di self-hosting

La generazione precedente, Voxtral TTS (voxtral-mini-tts-2603), è stata rilasciata con i suoi pesi — un modello da 4 miliardi di parametri su Hugging Face — sotto licenza CC BY-NC 4.0. Non si tratta di una licenza open source nel senso usuale: vieta l’uso commerciale. Consente sperimentazione e prototipazione sulla tua infrastruttura senza che alcun campione vocale esca dalla tua rete, ma un prodotto commerciale deve utilizzare l’API o raggiungere un accordo con Mistral AI. Ad oggi, la documentazione di Voxtral TTS 3 non menziona alcun peso aperto.

Per le organizzazioni soggette a vincoli di riservatezza — come un operatore sanitario o un’agenzia governativa — la questione si pone quindi in due parti: l’uso è commerciale? Il modello aperto copre le lingue e la qualità richieste? In caso negativo, devi esaminare gli impegni contrattuali dell’API (hosting, conservazione dei dati).

Utilizzo tramite l’API Mistral

Per utilizzare Voxtral Mini TTS tramite l’API, devi prima inizializzare il client con la tua chiave API:

from mistralai.client import Mistral

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

Il modello viene quindi referenziato dal suo identificatore voxtral-mini-tts-3-0 in ogni chiamata di generazione. Nelle prossime lezioni vedrai come creare voci e generare parlato; questo oggetto client sarà il punto di partenza per tutti gli esempi successivi.

Se preferisci un approccio no-code, Mistral Studio offre un’interfaccia grafica accessibile all’indirizzo studio.mistral.ai. Qui puoi ascoltare le voci professionali disponibili, registrare la tua voce direttamente dal browser, testare la generazione vocale con testi diversi e regolare i parametri — lingua, emozione, formato. È lo strumento di prototipazione ideale: valida in dieci minuti che una voce sia adatta al progetto, poi passa al codice una volta presa la decisione.

Evoluzione della roadmap

Mistral AI ha annunciato che altri modelli si uniranno alla famiglia Voxtral: modelli più leggeri per applicazioni embedded e mobili, modelli più potenti per la generazione di voci espressive e miglioramenti continui alla qualità multilingue. Pertanto, progetta le tue integrazioni isolando il nome del modello in una variabile di configurazione invece di spargerlo in tutto il tuo codice: il giorno in cui arriverà un successore, la migrazione richiederà solo una riga. Fino ad allora, voxtral-mini-tts-3-0 rimane il riferimento e copre la stragrande maggioranza dei casi d’uso professionali.

Punti chiave

  • Il modello principale è voxtral-mini-tts-3-0, ottimizzato per qualità e latenza
  • Sono disponibili voci professionali pre-integrate per iniziare senza un campione audio
  • Il modello precedente ha pesi aperti e può essere ospitato in autonomia (uso non commerciale)
  • Mistral Studio offre un’interfaccia grafica per test no-code
  • L’API Mistral e l’SDK Python sono i punti di ingresso per l’integrazione