Teksto pavertimas kalba ir individualūs balsai naudojant „Voxtral TTS“
Šiame puslapyje
Atnaujinimas 2026 m. lapkričio 2 d. — „Le Chat“ dabar yra „Vibe“. Nuo 2026 m. gegužės 28 d. „Le Chat“ buvo pervadintas į „Vibe“ (vis tiek adresu chat.mistral.ai): tai vienas agentas darbui ir kodui, perkeliantis jūsų pokalbius, nustatymus ir prenumeratas. Senoji „Le Chat“ patirtis vis dar pasiekiama režimu „Chat“; režimu „Work“ agentai tapo įgūdžiais (iškviečiami naudojant
@), atmintys veikia kaip žinių bazė, o išsami paieška dabar yra įgūdis „Deep Research“. Planai dabar vadinami „Mistral Free“, „Pro“, „Team“ ir „Enterprise“. Šioje pamokoje naudojamas pavadinimas „Vibe“; atkreipkite dėmesį, kad kai kurių čia aprašytų meniu pavadinimai arba vietos galėjo pasikeisti.
Suteikite savo tekstui balsą
Teksto pavertimas kalba (angl. Text-to-Speech, TTS) yra tikslus ankstesnėse pamokose nagrinėto transkribavimo priešingumas: vietoj garso vertimo į tekstą, jis paverčia tekstą garsu. Naudodama „Voxtral TTS“, „Mistral“ užtikrina nepriekaištingą sintezės kokybę, gebančią atkurti natūralias intonacijas, perteikti emocijas ir netgi nuklonuoti jūsų paties balsą. Šis aspektas nusipelno dėmesio, nes jis keičia užduoties pobūdį: jūs nebetenkaite tiesiog pasirinkti balso iš katalogo; galite sukurti savo paties.
„Vibe“ sistemoje teksto pavertimas kalba yra integruotas be jokių trikdžių: asistentas gali garsiai perskaityti savo atsakymus naudodamas natūralų, išraiškingą balsą. Priklausomai nuo jūsų nustatymų ir platformos, šis atkūrimas įsijungia automatiškai balso režimu arba pagal poreikį. Įsivaizduokite, kad gaminate vakarienę, o „Vibe“ jums santraukia ilgą straipsnį: jūs klausotės santraukos vietoj to, kad skaitytumėte ekraną, taip palikdami rankas laisvas. „Vibe“ siūlo keletą profesionalių balsų, kurie skiriasi lytimi (vyriškas arba moteriškas), kalba (kiekvienas balsas optimizuotas vienai ar kelioms kalboms) ir tonacija; kai kurie balsai skamba šilčiau, kiti – neutraliau arba formaliau. Geriausias būdas – išbandyti du ar tris balsus tame pačiame tekste: šiltas balsas tinka pasakojimams, o neutralus – instituciniam turiniui.
Nulinio šūvio balso klonavimas
Įspūdingiausia „Voxtral TTS“ savybė yra nulinio šūvio balso klonavimas (angl. zero-shot voice cloning): iš vos 2–3 sekundžių jūsų balso įrašo modelis gali sugeneruoti kalbą, skambančią kaip jūs. „Nulinis šūvis“ reiškia, kad nereikia ilgo mokymo – pakanka paprasto pavyzdžio, tuo tarpu ankstesnės technologijos reikalavo valandų darbo studijoje. Modelis užfiksuoja jūsų kalbos tembrą, ritmą ir unikalias savybes, dažnai sukurdamas stebinamai tikslų rezultatą.
Šiuos balsus kuriate „Mistral AI Studio“ – pažangioje „Mistral“ sąsajoje – keturiais žingsniais:
- Eikite į skiltį „Audio“ > „Text to Speech“
- Spustelėkite „My Voices“, tada „Add New Voice“
- Pavadinkite savo balsą ir įrašykite pavyzdį – įkelkite garso failą arba įrašykite tiesiogiai per mikrofoną
- Naudokite savo klonuotą balsą bet kokiam tekstui paversti kalba
Viena esminė sąvoka, kurią reikia suprasti, yra „balso kaip instrukcijos“ principas. Modelis ne tik atkuria etaloninio balso tembrą, bet ir kopijuoja emociją bei intonaciją. Jei jūsų pavyzdys energingas ir entuziastingas, sugeneruotas balsas bus toks pat; jei kalbate ramiai ir apgalvotai, sintezė perims tą patį registrą. Praktiškai tai suteikia jums netikėtą derinimo svirtį: norėdami dinamiško pasakojimo, įrašykite pavyzdį su energija; norėdami ramaus dokumentinio balso, įrašykite save skaitantį lėtai. Išvesties toną veikiate tiesiog tuo, kaip save įrašote.
Platus daugiakalbiškumas
„Voxtral TTS“ palaiko daugiau nei 9 kalbas: anglų, prancūzų, ispanų, portugalų, italų, olandų, vokiečių, hindi ir arabų. Tačiau tikroji vertė slypi dviejose pažangiose funkcijose. Pirmoji yra tarpkalbinis klonavimas: galite naudoti vienos kalbos balso pavyzdį ir sugeneruoti kalbą kita kalba, išlaikydami originalaus balso savybes. Taigi, prancūziškas pavyzdys gali sugeneruoti anglišką kalbą – su natūraliu kalbėtojo prancūzišku akcentu, todėl rezultatas tampa įtikinamas ir asmeniškas. Įsivaizduokite prancūzakalbį dėstytoją, norintį savo balsu pasiūlyti anglišką savo e. mokymosi modulio versiją: tai būtent tas naudojimo atvejis.
Antroji funkcija yra kalbų maišymas (angl. code-mixing): modelis natūraliai tvarko tekstą, kuriame maišomos kelios kalbos. Jei jūsų tekste pakaitomis eina prancūziškos ir angliškos ištraukos – pavyzdžiui, pristatymas, pilnas angliškų techninių terminų, – balsas pereis nuo vienos prie kitos nesutriukdamas.
Tobulinkite savo kloną ir tekstą
Išvesties kokybė tiesiogiai priklauso nuo įvesties kokybės. Balso pavyzdžiui siekite švaraus, 3–30 sekundžių trukmės įrašo be foninio triukšmo: jokių muzikos garsų, jokių pokalbių fone, tik jūsų balsas. Kalbėkite natūraliai ir su išraiška – plokščias, monotoniškas įrašas sukurs robotišką balsą. Venkite fillerio žodžių, tokių kaip „hm“, „ą“ ar kitų dvejojimų, nes modelis juos integruos į jūsų balso signatūrą. Galiausiai, norint geriausių rezultatų, įrašykite ta pačia kalba, kuria bus targetinis tekstas, nors tarpkalbinis klonavimas taip pat veikia.
Tekstas, kurį reikia sintetinti, taip pat reikalauja tam tikro paruošimo. Skaičius rašykite žodžiais – „trys tūkstančiai du šimtai“ vietoj „3200“ – ir išskleiskite santrumpas, naudodami „ponas“ vietoj „p.“, kad išvengtumėte neteisingo tarimo. Venkite emodži ir sudėtingo formatavimo, kurie neturi garsinio atitikmens. Optimaliai kokybei vienam prašymui neviršykite 300 žodžių ribos: ilgus dokumentus suskirstykite į kelias ištraukas.
Praktinių naudojimo atvejų yra daugybė: sugeneruokite profesionalius įgarsinimus savo vaizdo įrašams be studijos, padarykite savo straipsnius prieinamus regos negalią turintiems naudotojams, prieš integruodami išbandykite skirtingus virtualaus asistento balsus, paverskite rašytinę medžiagą garso kursais e. mokymuisi arba sukurkite pasakojimus savo „TikTok“ ir „Instagram“ turiniui.
Svarbiausi punktai
- „Voxtral TTS“ paverčia tekstą natūralia kalba daugiau nei 9 kalbomis
- Balso klonavimui pakanka vos 2–3 sekundžių įrašo
- Etaloninio pavyzdžio emocija ir intonacija daro įtaką sugeneruotam balsui
- Tarpkalbinis klonavimas leidžia kalbėti kita kalba savo balsu
- Sėkmingam klonavimui: švarus, natūralus 3–30 sekundžių įrašas