Garso formatai
Šiame puslapyje
Kursas atnaujintas 2026 m. lapkričio 3 d. Voxtral TTS 3 versijai, remiantis Migrate from Voxtral 2 gairėmis ir Mistral Text to Speech puslapiais:
voxtral-mini-tts-2603, pasenęs 2026 m. spalio 31 d. ir pašalintas 2027 m. balandžio 30 d., pavyzdžiuose pakeistas įvoxtral-mini-tts-3-0. Voxtral 2 iš anksto nustatyti balsai (gb_jane_neutral…) vis dar priimami; Voxtral 3 prideda[emotion=…]ir[pace=…]žymas tekste,expressivenessnustatymą, tinkintą tarimą (phoneme_hints) ir 35 kalbas. Mistral rekomenduoja po migracijos iš naujo išmatuoti delsą. Šaltiniai: Migrate from Voxtral 2 · Speech generation.
Tinkamo išvesties formato pasirinkimas
Parametras response_format priima penkias reikšmes. Šis vienos eilutės pasirinkimas yra daug svarbesnis, nei gali atrodyti: jis lemia garso kokybę, saugomų failų dydį, naudotojų jaučiamą delsą ir suderinamumą su jų grotuvais. Tinklalaidė, pateikta PCM formatu, bus nepaleidžiama pusei tavo auditorijos; balso agentas MP3 formatu vėluos dviem sekundėmis po kiekvieno atsakymo. Toliau esančioje lentelėje pateikiama bendra apžvalga, o likusioje pamokos dalyje paaiškinama, kada naudoti kiekvieną formatą.
| Formatas | Glaudinimas | Kokybė | Srautinio perdavimo delsa | Pagrindinė naudojimo sritis |
|---|---|---|---|---|
| MP3 | Su nuostoliais | Gera | ~2 sekundės | Bendras naudojimas, failai |
| WAV | Nėra (PCM) | Maksimali | Vidutinė | Postprodukcija, garso knygos |
| PCM | Nėra (žalias) | Maksimali | ~0,7 sekundės | Srautinis perdavimas realiuoju laiku |
| FLAC | Be nuostolių | Maksimali | Vidutinė | Archyvavimas, profesionali kokybė |
| Opus | Su nuostoliais | Labai gera | Maža | Srautinis perdavimas, VoIP, ribotas pralaidumas |
Šioje lentelėje nurodyta delsa yra apytikslė, išmatuota naudojant Voxtral 2; išmatuokite ją iš naujo su Voxtral TTS 3, kuris visais atvejais generuoja mono garso įrašą 24 kHz dažniu.
MP3: Visuotinis standartas
MP3 išlieka plačiausiai paplitusiu formatu: kiekviena naršyklė, telefonas ir grotuvas jį atkuria natūraliai, o jis taip pat palaiko ID3 metaduomenis, kurių reikalauja tinklalaidžių platformos. Jo glaudinimas yra su nuostoliais, todėl kokybė yra šiek tiek prastesnė nei WAV, tačiau kalbai šis skirtumas retai būna girdimas. Tikrasis jo trūkumas slypi kitur: srautiniu būdu perduodant duomenis, kodekas turi sukaupti duomenis prieš generuodamas pirmąjį kadrą, todėl pirmasis garsas vėluoja apie dvi sekundes. Rinkitės šį formatą atsisiunčiamiems failams, tinklalaidėms arba standartinei integracijai į svetaines – niekada pokalbiams realiuoju laiku.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="An MP3 file for standard use.",
voice_id=voice_id,
response_format="mp3",
)
WAV: Maksimali kokybė
WAV formatu pateikiamas neglaudintas PCM garso įrašas, užtikrinantis geriausią įmanomą kokybę be jokių nuostolių. Kadangi nieko nereikia dekoduoti, o garso redaktoriai universalai atpažįsta šį formatą, tai yra natūralus pradžios taškas bet kuriai postprodukcijos grandinei: redaguojate, ekvalaizuojate ir glaudinate, tada eksportuojate į norimą platinimo formatą. Kompromisas – failo dydis (apie dešimt kartų didesnis nei MP3) ir atitinkami pralaidumo reikalavimai.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="A WAV file for the best quality.",
voice_id=voice_id,
response_format="wav",
)
Naudokite jį studijinės kokybės garso knygoms, archyvavimui ir viskam, ką planuojate vėliau redaguoti.
PCM: Realiojo laiko formatas
PCM (Impulsinio kodo moduliacija) yra žalias „Float32 Little-Endian“ garso įrašas be antraštės ar kapsuliavimo. Šis paprastumas yra ir jo stiprybė, ir silpnybė. Stiprybė: nieko nereikia koduoti ar dekoduoti, pirmasis garsas pasiekiamas per apie 0,7 sekundės, o gauti baitai tiesiogiai rašomi į garso plokštę. Silpnybė: neturint antraštės, turite patys žinoti ir perduoti diskretizavimo dažnį bei formatą – būtent todėl 10 pamokos pyaudio pavyzdyje buvo aiškiai nurodyta paFloat32, vienas kanalas ir 24 000 Hz. Failai taip pat yra labai dideli, ir joks vartotojui skirtas grotuvas jų tiesiogiai neatidaro.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Raw PCM for streaming.",
voice_id=voice_id,
response_format="pcm",
)
Tai formatas, skirtas balso pagalbininkams realiuoju laiku, pokalbių agentams ir WebRTC programoms.
FLAC: Glaudinimas be nuostolių
FLAC sumažina failo dydį 50–60 %, nepakeisdamas nė vieno ėminio: kokybė yra griežtai identiška WAV, ir jūs išsaugote metaduomenis. Praktiškai tai yra jūsų archyvavimo formatas: saugokite savo pagrindinius įrašus FLAC formatu, ir galėsite po metų sugeneruoti MP3 arba Opus, nepatirdami dvigubo glaudinimo, kuris gadina garso kokybę. Tam reikia dekoderio, todėl jis nėra toks universalus kaip MP3.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="FLAC for lossless archiving.",
voice_id=voice_id,
response_format="flac",
)
Opus: Šiuolaikinis kompromisas
Opus yra kodekas, sukurtas ryšiams realiuoju laiku, užtikrinantis puikią kokybę esant labai mažam bitų srautui. Mobiliojoje programėlėje, veikiančioje prastos kokybės 4G tinkle, jis perduoda aiškų balsą ten, kur WAV užkimštų ryšį, o srautinio perdavimo delsa yra maža – didesnė nei PCM, bet daug mažesnė nei MP3. Tačiau suderinamumas nevienodas: ne visi grotuvai jį palaiko natūraliai, o kai kuriems reikia OGG konteinerio.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Opus for efficient streaming.",
voice_id=voice_id,
response_format="opus",
)
Tai pasirinkimas VoIP, srautiniam perdavimui esant ribotam pralaidumui ir mobilioms programėlėms.
Sprendimo priėmimas per vieną minutę
Pradėdami naują projektą, priimkite sprendimą tokia tvarka. Jei vykdote srautinį perdavimą realiuoju laiku, rinkitės PCM minimaliai delsai arba Opus, jei pralaidumas yra toks pat svarbus kaip ir reakcijos greitis. Kitu atveju paklauskite, kur failas bus atkuriamas: naršyklėje MP3 užtikrina maksimalų suderinamumą. Jei jį reikės vėliau redaguoti, WAV suteikia lengviausiai apdorojamą medžiagą. Jei jį reikia archyvuoti neprarandant nė decibelo, FLAC suspaudžia nieko neaukodamas. O jei pagrindinis apribojimas yra lėtas tinklas, Opus siūlo geriausią kokybės ir dydžio santykį.
Svarbiausi punktai
- MP3 yra numatytasis pasirinkimas universaliam suderinamumui užtikrinti
- PCM užtikrina mažiausią delsą srautiniam perdavimui realiuoju laiku (~0,7 s)
- WAV suteikia geriausią neglaudintą kokybę, idealiai tinkančią postprodukcijai
- FLAC glaudina be nuostolių – ta pati kokybė kaip WAV, mažesni failai
- Opus yra geriausias kokybės ir dydžio kompromisas tinklo programoms