Créer une voix personnalisée
In questa pagina
Cours mis à jour le 3 novembre 2026 pour Voxtral TTS 3, basé sur le guide Migrate from Voxtral 2 et la documentation Text to Speech de Mistral :
voxtral-mini-tts-2603, déprécié le 31 octobre 2026 et retiré le 30 avril 2027, est remplacé dans les exemples parvoxtral-mini-tts-3-0. Les voix prédéfinies de Voxtral 2 (gb_jane_neutral…) restent acceptées ; Voxtral 3 ajoute les balises[emotion=…]et[pace=…]dans le texte, le paramètreexpressiveness, la prononciation personnalisée (phoneme_hints) et prend en charge 35 langues. Mistral recommande de remesurer la latence après la migration. Sources : Migrate from Voxtral 2 · Speech generation.
De l’enregistrement à la voix clonée
Créer une voix personnalisée avec Voxtral se résume à deux étapes : préparer un échantillon audio de haute qualité, puis l’envoyer à l’API avec les bons paramètres. La seconde étape prend dix minutes ; la première mérite plus d’attention car elle détermine le résultat. Cette leçon t’accompagne dans la création de ta première voix.
Préparer ton échantillon audio
L’échantillon audio est le fondement de ta voix : sa qualité détermine directement celle de la parole synthétisée. Le modèle ne corrige rien ; il reproduit ce qu’il entend.
Avec Voxtral TTS 3, la documentation demande un enregistrement MP3 ou WAV durant de quelques secondes à quelques minutes (Voxtral 2 acceptait de 3 à 30 secondes). En pratique, trois régimes se distinguent. Entre 3 et 10 secondes, le modèle capture le timbre de base mais avec moins de nuances : la voix sera reconnaissable sans être vraiment réaliste. Entre 10 et 20 secondes, tu obtiens un bon compromis entre qualité et simplicité, suffisant pour la plupart des projets. Au-delà de 20 secondes, tu donnes au modèle assez de matière pour saisir les subtilités : le rythme, l’intonation, ces micro-variations qui permettent à un ami de te reconnaître en deux mots.
Reste la question de quoi dire, un problème qui bloque plus de gens que tu ne le penses au moment d’appuyer sur enregistrer. Voici un script de référence que Mistral recommande :
« J’enregistre un échantillon audio pour cloner ma voix. Une fois terminé, je pourrai générer une parole qui me ressemble. C’est incroyable comment l’IA peut capturer ma façon de parler, mon ton, mon rythme, et même les petites particularités qui rendent ma voix unique. »
Ce texte n’est pas arbitraire : il est conçu pour couvrir une variété de sons et d’intonations en français, avec des voyelles ouvertes et fermées, des consonnes explosives et une phrase exclamative. Côté fichier, l’API accepte les formats courants — MP3, WAV, FLAC, OGG — et le fichier est encodé en base64 avant envoi.
Code Python complet
Voici le code pour créer une voix avec tous les paramètres disponibles :
import base64
from pathlib import Path
from mistralai.client import Mistral
client = Mistral(api_key="your-api-key")
# Lire et encoder l'échantillon audio
audio_path = Path("my-sample.mp3")
sample_audio_b64 = base64.b64encode(audio_path.read_bytes()).decode()
# Créer la voix avec tous les paramètres
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"Voix créée avec succès !")
print(f" ID : {voice.id}")
print(f" Nom : {voice.name}")
print(f" Langues : {voice.languages}")
Seuls deux paramètres sont obligatoires :
name: le nom d’affichage de ta voix. Choisis un nom descriptif qui te permet de l’identifier facilement (par ex.support-assistant-en,podcast-intro)sample_audio: l’échantillon audio encodé en base64. C’est le seul paramètre qui ne peut pas être modifié après la création
Les autres sont optionnels, mais chacun sert un but concret :
sample_filename: le nom du fichier original. Aide l’API à détecter le format audioslug: un identifiant compatible URL. S’il est omis, il est généré automatiquement à partir du nomlanguages: un tableau de codes de langue ISO (par ex.["en", "fr", "es"]). Indique les langues pour lesquelles cette voix est optimiséegender:"male"ou"female". Utilisé pour le filtrage dans l’interfaceage: un entier représentant l’âge approximatif du locuteur. Aide à catégoriser la voixtags: un tableau de chaînes de caractères libres pour organiser tes voix (par ex.["commercial", "dynamic"])
Sur un projet à voix unique, tu pourrais être tenté de tout omettre. Sur un catalogue de trente voix réparties entre plusieurs clients, les tags et les langues spécifiés à la création te feront gagner des heures de tri.
Enregistrer depuis le navigateur
Si tu préfères ne pas manipuler de fichiers audio, Mistral Studio te permet d’enregistrer directement depuis ton navigateur :
- Rends-toi dans la section Audio > Text to Speech
- Clique sur My Voices puis Add a new voice
- Saisis le nom de ta voix
- Clique sur le bouton d’enregistrement et parle pendant 10 à 30 secondes
- Confirme : ta voix est immédiatement disponible
Cette méthode fonctionne parfaitement pour des tests rapides, ou lorsque la personne qui prête sa voix n’est pas celle qui écrit le code : un acteur ou un dirigeant sera plus enclin à faire l’exercice dans un navigateur que dans un terminal.
Vérifier ta voix
Ne passe jamais à la suite sans écouter le résultat. Dès que la création est terminée, génère une phrase de test :
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Bonjour, ceci est un test de ma voix personnalisée.",
voice_id=voice.id,
response_format="mp3",
)
Path("test-voice.mp3").write_bytes(
base64.b64decode(response.audio_data)
)
print("Fichier test-voice.mp3 généré — écoute le résultat !")
Écoute avec un casque, pas sur les haut-parleurs d’un ordinateur portable : les défauts de timbre y sont inaudibles. Si le résultat ne te satisfait pas, crée une nouvelle voix avec un meilleur échantillon plutôt que de réutiliser le même : l’API ne permet de toute façon pas de remplacer l’audio d’une voix existante, et insister avec un mauvais enregistrement ne fera que repousser le problème.
Punti chiave
- L’enregistrement (MP3 ou WAV) peut durer de quelques secondes à quelques minutes ; vise au moins 10 à 20 secondes de parole variée
- Le fichier audio est encodé en base64 avant envoi à l’API
- Les paramètres
nameetsample_audiosont obligatoires ; les autres sont optionnels - Mistral Studio permet d’enregistrer directement depuis le navigateur
- Teste toujours ta voix immédiatement après sa création