Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Génération vocale de base

Lezione 8 di 14 Aggiornata il 3 novembre 2026 Sviluppatore
In questa pagina
  1. Ta première génération vocale
  2. Ce que contrôle chaque paramètre
  3. Passer à l’échelle : un chapitre de livre audio
  4. Quand la génération échoue
  5. Punti chiave

Cours mis à jour le 3 novembre 2026 pour Voxtral TTS 3, sur la base du guide Migrate from Voxtral 2 et des pages 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 par voxtral-mini-tts-3-0. Les voix prédéfinies Voxtral 2 (gb_jane_neutral…) restent acceptées ; Voxtral 3 ajoute les balises [emotion=…] et [pace=…] dans le texte, le paramètre expressiveness, 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.

Ta première génération vocale

Tu sais maintenant comment créer une voix et la gérer via l’API Voices. L’étape finale consiste à faire ce pour quoi tout ce travail a été accompli : produire de l’audio. L’API Speech de Mistral se résume à un seul appel, client.audio.speech.complete(), qui prend du texte et un ID de voix et renvoie de l’audio encodé en base64. Cette leçon couvre la génération de base avec une voix enregistrée ; le clonage à la volée et le streaming viendront ensuite.

Le code ci-dessous est tout ce dont tu as besoin pour transformer une phrase en fichier MP3 sur ton disque. Porte une attention particulière à la dernière étape : la réponse ne contient pas d’octets audio bruts utilisables directement, mais une chaîne base64 que tu dois décoder avant d’écrire le fichier. C’est l’erreur classique du débutant : enregistrer la chaîne telle quelle fait que les lecteurs audio refusent de l’ouvrir.

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

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

# Generate speech with a saved voice
response = client.audio.speech.complete(
    model="voxtral-mini-tts-3-0",
    input="Hello and welcome to this course on Voxtral TTS.",
    voice_id="your-voice-id",
    response_format="mp3",
)

# Decode base64 and save to file
audio_bytes = base64.b64decode(response.audio_data)
Path("output.mp3").write_bytes(audio_bytes)
print(f"Audio generated: {len(audio_bytes)} bytes")

Ce que contrôle chaque paramètre

Le paramètre model spécifie le modèle de synthèse. À ce jour, voxtral-mini-tts-3-0 est le seul disponible, mais spécifie-le toujours explicitement : lorsque d’autres modèles apparaîtront, ton code continuera de produire exactement la même voix qu’aujourd’hui.

input prend le texte à prononcer et c’est de loin le paramètre nécessitant le plus d’attention. La documentation de Voxtral 2 conseillait de rester sous la barre des 300 mots par requête ; la documentation de Voxtral TTS 3 ne fixe plus de limite, mais les demandes d’un seul paragraphe restent plus faciles à contrôler et à rejouer. Évite les émojis, que le modèle ne peut pas interpréter, ainsi que le formatage complexe — Markdown, HTML, caractères spéciaux — qui finit par être lu mot pour mot. Enfin, épelle les nombres et les abréviations : « vingt-trois » plutôt que « 23 », « Société à responsabilité limitée » plutôt que « SARL ». Un agent vocal qui trébuche sur les nombres en annonçant un montant perd toute crédibilité en une phrase.

voice_id identifie la voix utilisée. Tu peux l’obtenir de trois façons : en créant une voix avec client.audio.voices.create() (voir leçon 5), en listant tes voix existantes avec client.audio.voices.list(), ou en réutilisant l’ID d’une voix professionnelle Mistral. Enfin, response_format définit le format de sortie parmi mp3, wav, pcm, flac et opus. Ce choix affecte à la fois la taille du fichier et la latence, et la leçon 12 y est entièrement consacrée.

Passer à l’échelle : un chapitre de livre audio

Pour des textes légèrement plus longs, la division reste la meilleure pratique. Le principe est simple : prépare une liste de paragraphes, génère chacun séparément, puis accumule les octets décodés dans un seul tampon avant d’écrire le fichier final.

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

client = Mistral(api_key="your-api-key")
voice_id = "your-voice-id"

# Text split into paragraphs
paragraphs = [
    "First paragraph of the chapter. The narrator introduces the context.",
    "Second paragraph. The action begins to develop.",
    "Third paragraph. Suspense builds gradually.",
]

full_audio = b""

for i, text in enumerate(paragraphs):
    print(f"Generating segment {i + 1}/{len(paragraphs)}...")
    response = client.audio.speech.complete(
        model="voxtral-mini-tts-3-0",
        input=text,
        voice_id=voice_id,
        response_format="wav",
    )
    full_audio += base64.b64decode(response.audio_data)

Path("chapter-01.wav").write_bytes(full_audio)
print("Audio chapter generated successfully!")

Ce script fonctionne car il produit du WAV, un format non compressé dont les segments se concatènent bout à bout sans traitement spécial. Essaie la même chose avec du MP3 ou de l’Opus et le résultat sera inutilisable : ces formats compressés contiennent des en-têtes et des structures de trames que la concaténation brute brise. Utilise plutôt une bibliothèque comme pydub, qui décode chaque segment avant de les fusionner proprement.

Quand la génération échoue

En production, tu dois protéger l’appel. Un voice_id supprimé hier par un collègue, un texte qui s’allonge silencieusement parce qu’un champ a été concaténé, un quota d’API épuisé en fin de mois, un format de sortie mal orthographié : chacune de ces situations soulève une exception et, sans garde-fous, ton traitement par lots s’arrête au milieu du corpus.

try:
    response = client.audio.speech.complete(
        model="voxtral-mini-tts-3-0",
        input="Text to convert to speech.",
        voice_id=voice_id,
        response_format="mp3",
    )
    audio_bytes = base64.b64decode(response.audio_data)
    Path("output.mp3").write_bytes(audio_bytes)
except Exception as e:
    print(f"Error during generation: {e}")

Prends le temps de tester ce chemin d’erreur avant de passer en production : génère délibérément avec un voice_id factice et vérifie que ton application le signale clairement plutôt que de produire un fichier vide.

Punti chiave

  • La génération utilise client.audio.speech.complete() avec le modèle voxtral-mini-tts-3-0
  • Divise les longs textes en paragraphes et évite les émojis et le formatage
  • Épelle les nombres et les abréviations pour une prononciation correcte
  • L’audio renvoyé est en base64 : décode-le avant de l’enregistrer
  • Pour les longs textes, divise-les en segments et concatène les résultats