Pereiti prie pagrindinio turinio
Lietuvių— Pasirinkite kalbą
Meniu

Sukurkite savo balsą

Paskaita 5 iš 14 Atnaujinta 2026 m. lapkričio 3 d. Kūrėjas
Šiame puslapyje
  1. Nuo įrašo iki nukopijuoto balso
  2. Paruoškite savo garso pavyzdį
  3. Pilnas Python kodas
  4. Įrašykite tiesiai iš naršyklės
  5. Patikrinkite savo balsą
  6. Svarbiausi punktai

Kursas atnaujintas 2026 m. lapkričio 3 d. Voxtral TTS 3 versijai, remiantis Migracijos iš Voxtral 2 vadovu ir „Mistral“ Teksto pavertimo kalba puslapiais: voxtral-mini-tts-2603, pasenęs 2026 m. spalio 31 d. ir pašalintas 2027 m. balandžio 30 d., pavyzdžiuose pakeistas į voxtral-mini-tts-3-0. Voxtral 2 iš anksto nustatyti balsai (gb_jane_neutral…) vis dar priimami; Voxtral 3 tekste pridėjo [emotion=…] ir [pace=…] žymas, expressiveness nustatymą, tinkintą tarimą (phoneme_hints) ir 35 kalbas. „Mistral“ rekomenduoja po migracijos iš naujo išmatuoti delsą. Šaltiniai: Migracija iš Voxtral 2 · Kalbos generavimas.

Nuo įrašo iki nukopijuoto balso

Kuriant savo balsą su „Voxtral“, viskas susiveda į du žingsnius: paruoškite aukštos kokybės garso pavyzdį, tada nusiųskite jį į API su tinkamais parametrais. Antrasis žingsnis trunka dešimt minučių; pirmajam verta skirti daugiau dėmesio, nes būtent jis lemia galutinį rezultatą. Šioje pamokoje žingsnis po žingsnio parodysime, kaip sukurti savo pirmąjį balsą.

Paruoškite savo garso pavyzdį

Garso pavyzdys yra jūsų balso pagrindas: jo kokybė tiesiogiai nulemia sintezuotos kalbos kokybę. Modelis nieko netaiso; jis tiesiog atkuria tai, ką girdi.

Naudojant „Voxtral TTS 3“, dokumentacijoje prašoma MP3 arba WAV formato įrašo, trunkančio nuo kelių sekundžių iki kelių minučių („Voxtral 2“ priimdavo nuo 3 iki 30 sekundžių). Praktiškai išskiriami trys režimai. Tarp 3 ir 10 sekundžių modelis užfiksuoja pagrindinį tembrą, tačiau su mažiau niuansų: balsas bus atpažįstamas, bet ne visiškai gyvas. Tarp 10 ir 20 sekundžių gaunamas geras kompromisas tarp kokybės ir paprastumo, pakankamas daugumai projektų. Viršijus 20 sekundžių, suteikiate modeliui pakankamai medžiagos suvokti subtilybes – ritmą, intonaciją, tas mikrovariacijos, dėl kurių draugas jus atpažįsta iš dviejų žodžių.

Lieka klausimas, ką tarti – tai problema, kuri stabdo daugiau žmonių, nei galite manyti, kai ateina laikas spausti įrašymo mygtuką. Štai etaloninis tekstas, kurį rekomenduoja „Mistral“:

„Aš įrašau garso pavyzdį, kad nukopijuotumėte savo balsą. Baigus, galėsiu generuoti kalbą, skambančią kaip aš. Neįtikėtina, kaip dirbtinis intelektas gali užfiksuoti mano kalbėjimo būdą, toną, ritmą ir net mažas ypatybes, darančias mano balsą unikalų.”

Šis tekstas nėra atsitiktinis: jis sukurtas taip, kad apimtų įvairius garsus ir intonacijas anglų kalba, su atviraisiais ir užviraisiais balsiais, sprogstamaisiais priebalsiais ir šauktiniu sakiniu. Kalbant apie failą, API priima įprastus formatus – MP3, WAV, FLAC, OGG – o failas prieš siunčiant yra koduojamas „base64“.

Pilnas Python kodas

Štai kodas, skirtas sukurti balsą naudojant visus galimus parametrus:

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

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

# Nuskaitome ir koduojame garso pavyzdį
audio_path = Path("my-sample.mp3")
sample_audio_b64 = base64.b64encode(audio_path.read_bytes()).decode()

# Sukuriame balsą su visais parametrais
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"Voice created successfully!")
print(f"  ID : {voice.id}")
print(f"  Name : {voice.name}")
print(f"  Languages : {voice.languages}")

Tik du parametrai yra privalomi:

  • name: jūsų balso rodomas pavadinimas. Pasirinkite aprašomąjį pavadinimą, kuris leistų jums jį lengvai identifikuoti (pvz., support-assistant-en, podcast-intro)
  • sample_audio: garso pavyzdys, užkoduotas „base64“. Tai vienintelis parametras, kurio negalima pakeisti po sukūrimo

Kiti parametrai yra neprivalomi, tačiau kiekvienas atlieka konkrečią funkciją:

  • sample_filename: originalus failo pavadinimas. Padeda API aptikti garso formatą
  • slug: URL draugiškas identifikatorius. Jei nenurodytas, jis automatiškai sugeneruojamas iš pavadinimo
  • languages: ISO kalbų kodų masyvas (pvz., ["en", "fr", "es"]). Nurodo kalbas, kurioms šis balsas yra optimizuotas
  • gender: "male" arba "female". Naudojama filtravimui sąsajoje
  • age: sveikasis skaičius, reiškiantis apytikslį kalbėtojo amžių. Padeda kategorizuoti balsą
  • tags: laisvos formos eilučių masyvas jūsų balsams organizuoti (pvz., ["commercial", "dynamic"])

Dirbant prie projekto su vienu balsu, gali kilti pagunda viską praleisti. Tačiau turint trisdešimties balsų katalogą, skirtą keliems klientams, kūrimo metu nurodytos žymos ir kalbos sutaupys jums valandas rūšiavimo darbo.

Įrašykite tiesiai iš naršyklės

Jei nenorite tvarkytis su garso failais, „Mistral Studio“ leidžia įrašyti tiesiai iš naršyklės:

  1. Eikite į skiltį Audio > Text to Speech
  2. Spustelėkite My Voices, tada Add a new voice
  3. Įveskite savo balso pavadinimą
  4. Paspauskite įrašymo mygtuką ir kalbėkite 10–30 sekundžių
  5. Patvirtinkite – jūsų balsas iškart bus prieinamas

Šis metodas puikiai tinka greitiems testams arba tada, kai asmuo, paskolinantis savo balsą, nėra tas, kuris rašo kodą – aktorius ar vadovas mieliau atliks šią užduotį naršyklėje nei terminale.

Patikrinkite savo balsą

Niekada neperjunkite prie kito žingsnio nepaklausę rezultato. Vos tik kūrimas bus baigtas, sugeneruokite bandomąjį sakinį:

response = client.audio.speech.complete(
    model="voxtral-mini-tts-3-0",
    input="Hello, this is a test of my custom voice.",
    voice_id=voice.id,
    response_format="mp3",
)

Path("test-voice.mp3").write_bytes(
    base64.b64decode(response.audio_data)
)
print("File test-voice.mp3 generated — listen to the result!")

Klausykitės naudodami ausines, o ne nešiojamojo kompiuterio garsiakalbius: ten tembro defektai negirdimi. Jei rezultatas jūsų netenkina, sukurkite naują balsą su geresniu pavyzdžiu, o ne naudokite tą patį – API bet kuriuo atveju neleidžia pakeisti esamo balso garso įrašo, o insistavimas ties prastu įrašu tik atidės problemos sprendimą.

Svarbiausi punktai

  • Įrašas (MP3 arba WAV) gali trukti nuo kelių sekundžių iki kelių minučių; siekite bent 10–20 sekundžių įvairios kalbos
  • Garso failas prieš siunčiant į API yra koduojamas „base64“
  • Parametrai name ir sample_audio yra privalomi; kiti – neprivalomi
  • „Mistral Studio“ leidžia įrašyti tiesiai iš naršyklės
  • Visada iškart po sukūrimo ištestuokite savo balsą