Pārvērtiet tekstu runā un izveidojiet pielāgotas balsis ar Voxtral TTS
Šajā lapā
Atjauninājums: 2026. gada 2. novembris — Le Chat tagad ir Vibe. Kopš 2026. gada 28. maija Le Chat ir pārdēvēts par Vibe (joprojām pieejams vietnē chat.mistral.ai): tas ir vienots aģents darbam un kodēšanai, kas saglabā jūsu sarunas, iestatījumus un abonementus. Iepriekšējā Le Chat pieredze joprojām ir pieejama režīmā Chat; režīmā Work aģenti ir kļuvuši par prasmēm (izsaucamas ar
@), atmiņas kalpo kā zināšanu bāze, bet dziļā meklēšana tagad ir prasme Deep Research. Plāni tagad tiek dēvēti par Mistral Free, Pro, Team un Enterprise. Šajā nodarbībā tiek lietots nosaukums Vibe; ņemiet vērā, ka dažu šeit aprakstīto izvēlņu nosaukumi vai atrašanās vietas var būt mainījušies.
Piešķiriet savam tekstam balsi
Teksta pārvēršana runā (TTS) ir precīzs pretstats transkribēšanai, ko apguvāt iepriekšējās nodarbībās: tā vietā, lai pārvērstu runu tekstā, tā pārvērš tekstu runā. Izmantojot Voxtral TTS, Mistral nodrošina izcilu sintēzes kvalitāti, kas spēj atveidot dabiskas intonācijas, paust emocijas un pat noklonēt jūsu paša balsi. Šis pēdējais aspekts ir pelnījis īpašu uzmanību, jo tas maina uzdevuma būtību: jūs vairs ne tikai izvēlaties balsi no kataloga, bet varat izveidot savu.
Vidē Vibe teksta pārvēršana runā ir nevainojami integrēta: asistents var skaļi nolasīt savas atbildes, izmantojot dabisku, izteiksmīgu balsi. Atkarībā no jūsu iestatījumiem un platformas šī atskaņošana notiek automātiski balss režīmā vai pēc pieprasījuma. Iedomājieties, ka gatavojat vakariņas, kamēr Vibe jums apkopo garu rakstu: jūs klausāties kopsavilkumu, nevis lasāt ekrānu, turot rokas brīvas. Vibe piedāvā vairākas profesionālas balsis, kas atšķiras pēc dzimuma (vīrieša vai sievietes), valodas (katra balss ir optimizēta vienai vai vairākām valodām) un tonalitātes; dažas balsis skan siltāk, citas — neitrālāk vai formālāk. Labākā pieeja ir pārbaudīt divas vai trīs balsis vienam un tam pašam tekstam: siltā balss ir piemērota stāstījumam, bet neitrāla balss — institucionālam saturam.
Balss klonēšana bez iepriekšējas apmācības (Zero-Shot)
Voxtral TTS iespaidīgākā funkcija ir balss klonēšana bez iepriekšējas apmācības (zero-shot voice cloning): no tikai 2 līdz 3 sekundēm ilga jūsu balss ieraksta modelis spēj ģenerēt runu, kas skan tieši tāpat kā jūs. „Bez iepriekšējas apmācības” nozīmē, ka nav nepieciešama ilgstoša apmācība — pietiek ar vienkāršu paraugu, turpretī iepriekšējās tehnoloģijas prasīja stundām ilgu darbu studijā. Modelis uztver jūsu runas tembru, ritmu un unikālās īpašības, bieži vien radot pārsteidzoši precīzu rezultātu.
Šīs balsis jūs izveidojat Mistral AI Studio — Mistral uzlabotajā saskarnē — četros soļos:
- Dodieties uz sadaļu Audio > Text to Speech
- Noklikšķiniet uz „My Voices”, tad uz „Add New Voice”
- Nosauciet savu balsi un ierakstiet paraugu — augšupielādējot audio failu vai ierakstot tieši caur mikrofonu
- Izmantojiet savu klonēto balsi, lai ģenerētu runu no jebkura teksta
Viens galvenais jēdziens, kas jāsaprot, ir princips „Balss kā instrukcija”. Modelis ne tikai atveido atsauces balss tembru, bet arī replicē emocijas un intonāciju. Ja jūsu paraugs ir enerģisks un entuziasma pilns, arī ģenerētā balss būs tāda; ja runājat mierīgi un apdomīgi, sintēze pieņems to pašu reģistru. Praksē tas dod jums negaidītu regulēšanas sviru: lai iegūtu dinamisku stāstījumu, ierakstiet paraugu ar enerģiju; lai iegūtu mierīgu dokumentālā filmas balsi, ierakstiet sevi, lasot lēnām. Jūs ietekmējat izejas toni vienkārši ar to, kā sevi ierakstāt.
Plašas vairākvalodu iespējas
Voxtral TTS atbalsta vairāk nekā 9 valodas: angļu, franču, spāņu, portugāļu, itāļu, holandiešu, vācu, hindi un arābu valodu. Taču patiesā vērtība slēpjas divās uzlabotās funkcijās. Pirmā ir starptautiskā klonēšana (cross-lingual cloning): jūs varat izmantot balss paraugu vienā valodā un ģenerēt runu citā valodā, saglabājot oriģinālās balss īpašības. Tādējādi franču valodas paraugs var ģenerēt runu angļu valodā — ar runātāja dabisko franču akcentu, padarot rezultātu ticamu un personisku. Iedomājieties franču valodā runājošu pasniedzēju, kurš vēlas piedāvāt savu e-apmācības moduli angļu valodā savā balsī: tas ir tieši šis lietojuma gadījums.
Otrā funkcija ir valodu sajaukšana (code-mixing): modelis dabiski apstrādā tekstu, kas sajauc vairākas valodas. Ja jūsu tekstā mainās franču un angļu valodas fragmenti — piemēram, prezentācija, kas pilna ar angļu valodas tehniskajiem terminiem — balss pāries no vienas uz otru, nepārtraucot plūsmu.
Pilnveidojiet savu klonu un tekstu
Izejas kvalitāte ir tieši atkarīga no ieejas kvalitātes. Balss paraugam tiecieties uz tīru ierakstu, kas ilgst no 3 līdz 30 sekundēm, bez fona trokšņiem: bez mūzikas, bez čalošanas, tikai jūsu balss. Runājiet dabiski un ar izteiksmi — plakans, monotons ieraksts radīs robotisku balsi. Izvairieties no pildvārdiem, piemēram, „ehm”, „ā”, vai citām vilcināšanās pazīmēm, jo modelis tos integrēs jūsu vokālajā signatūrā. Visbeidzot, lai iegūtu vislabākos rezultātus, ierakstiet tajā pašā valodā, kurā ir mērķa teksts, lai gan starptautiskā klonēšana arī darbojas.
Arī sintetizējamajam tekstam ir nepieciešama sagatavošana. Uzrakstiet skaitļus pilnībā — „trīs tūkstoši divi simti” nevis „3200” — un izvēršiet saīsinājumus, lietojot „kungs” nevis „k.”, lai izvairītos no nepareizas izrunas. Izslēdziet emodžikus un sarežģītu formatējumu, kuriem nav skaņas ekvivalenta. Lai nodrošinātu optimālu kvalitāti, nepārsniedziet 300 vārdus vienā pieprasījumā: garus dokumentus sadaliet vairākos fragmentos.
Praktiskie lietojuma gadījumi ir daudzveidīgi: ģenerējiet profesionālus balss ierakstus saviem video bez studijas, padariet savus rakstus pieejamus redzes traucējumus ciešiem lietotājiem, prototipējiet dažādas balsis virtuālajam asistentam pirms integrācijas, pārvērtiet rakstītos materiālus audio kursos e-apmācībai vai veidojiet stāstījumus savam TikTok un Instagram saturam.
Galvenās atziņas
- Voxtral TTS pārvērš tekstu dabiskā runā vairāk nekā 9 valodās
- Balss klonēšanai pietiek ar 2–3 sekundes ilgu ierakstu
- Atsauces parauga emocijas un intonācija ietekmē ģenerēto balsi
- Starptautiskā klonēšana ļauj runāt citā valodā savā balsī
- Veiksmīgai klonēšanai: tīrs, dabisks ieraksts no 3 līdz 30 sekundēm