Audio formāti
Šajā lapā
Kurss atjaunināts 2026. gada 3. novembrī priekš Voxtral TTS 3, balstoties uz Migrate from Voxtral 2 rokasgrāmatu un Mistral Text to Speech lapām:
voxtral-mini-tts-2603, kas tika deprecated 2026. gada 31. oktobrī un dzēsts 2027. gada 30. aprīlī, piemēros tiek aizstāts arvoxtral-mini-tts-3-0. Voxtral 2 iepriekš definētās balsis (gb_jane_neutral…) joprojām tiek pieņemtas; Voxtral 3 pievieno[emotion=…]un[pace=…]tagus tekstā,expressivenessiestatījumu, pielāgotu izrunu (phoneme_hints) un 35 valodas. Mistral iesaka pēc migrācijas veikt jaunu latentces mērīšanu. Avoti: Migrate from Voxtral 2 · Speech generation.
Pareizā izejas formāta izvēle
Parametrs response_format pieņem piecas vērtības. Šī vienas rindas izvēle nozīmē daudz vairāk, nekā šķiet: tā nosaka audio kvalitāti, failu lielumu, ko glabāsi, latentci, ko uztvers tavi lietotāji, un saderību ar viņu atskaņotājiem. Apraide, kas piegādāta PCM formātā, būs neatskaņojama pusei tavas auditorijas; balss aģents MP3 formātā kavēsies par divām sekundēm aiz katras atbildes. Zemāk esošā tabula sniedz kopainu, bet šīs nodarbības turpinājums paskaidro, kad lietot katru formātu.
| Formāts | Kompresija | Kvalitāte | Straumēšanas latentce | Galvenais lietojums |
|---|---|---|---|---|
| MP3 | Zudumains | Laba | ~2 sekundes | Vispārēja lietošana, faili |
| WAV | Nav (PCM) | Maksimāla | Vidēja | Pēcapstrāde, audiogrāmatas |
| PCM | Nav (neapstrādāts) | Maksimāla | ~0,7 sekundes | Reāllaika straumēšana |
| FLAC | Bez zudumiem | Maksimāla | Vidēja | Arhivēšana, profesionāla kvalitāte |
| Opus | Zudumains | Ļoti laba | Zema | Straumēšana, VoIP, ierobežota joslas platuma |
Šajā tabulā norādītā latentce ir aptuvena kārtība, kas izmērīta ar Voxtral 2; veic to mērīšanu no jauna ar Voxtral TTS 3, kas visos gadījumos ģenerē mono audio ar 24 kHz.
MP3: Universālais standarts
MP3 joprojām ir visizplatītākais formāts: katrs pārlūks, tālrunis un atskaņotājs to nolasa dabiski, un tas satur ID3 metadatus, kas nepieciešami apraides platformām. Tā kompresija ir zudumaina, tāpēc kvalitāte ir nedaudz zemāka nekā WAV, taču runas gadījumā šī atšķirība reti ir dzirdama. Tā īstais trūkums slēpjas citur: straumēšanas laikā kodekam ir jāuzkrāj dati, pirms tas ģenerē pirmo kadru, aizkavējot pirmo skaņu par aptuveni divām sekundēm. Izvēlies šo formātu lejupielādējamiem failiem, apraidēm vai standarta tīmekļa integrācijai — nekad sarunu lietojumiem.
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: Maksimāla kvalitāte
WAV satur nesaspiestu PCM audio, nodrošinot labāko iespējamo kvalitāti bez jebkādiem zudumiem. Tā kā nav nekā, kas būtu jādekodē, un audio redaktori universāli atpazīst šo formātu, tas ir dabiskais sākumpunkts jebkurai pēcapstrādes ķēdei: tu rediģē, izlīdzini un saspiež, pēc tam eksportē uz savu vēlamo izplatīšanas formātu. Kompromiss ir faila lielums — aptuveni desmit reizes lielāks nekā MP3 — un attiecīgās joslas platuma prasības.
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",
)
Rezervē to studijas kvalitātes audiogrāmatām, arhivēšanai un visam, ko plāno vēlāk rediģēt.
PCM: Reāllaika formāts
PCM (Pulse Code Modulation) ir neapstrādāts Float32 Little-Endian audio bez galvenes vai ietvēra. Šī kailums ir gan tā stiprā, gan vājā puse. Stiprā puse: nekas nav jākodē vai jādekodē, pirmā skaņa pienāk aptuveni 0,7 sekundēs, un saņemtie baiti tiek rakstīti tieši skaņas kartē. Vājā puse: bez galvenes tev pašam ir jāzina un jāpārraida paraugu ņemšanas frekvence un formāts — tieši tāpēc pyaudio piemērā 10. nodarbībā bija skaidri deklarēts paFloat32, viens kanāls un 24 000 Hz. Faili ir arī ļoti lieli, un neviens patērētāja atskaņotājs tos neatver tieši.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Raw PCM for streaming.",
voice_id=voice_id,
response_format="pcm",
)
Šis ir formāts reāllaika balss asistentiem, sarunu aģentiem un WebRTC lietotnēm.
FLAC: Kompresija bez zudumiem
FLAC samazina faila lielumu par 50% līdz 60%, nepieskaroties nevienam paraugam: kvalitāte ir stingri identiska WAV, un tu saglabā metadatus. Praksē tas ir tavs arhivēšanas formāts: glabā savus meistarus FLAC formātā, un tu vari ģenerēt MP3 vai Opus no jauna pat pēc gadiem, neciešot no dubultās kompresijas, kas pasliktina audio. Tas gan prasa dekoderi, padarot to mazāk universālu nekā 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: Mūsdienu kompromiss
Opus ir kodeks, kas izstrādāts reāllaika komunikācijai, nodrošinot izcilu kvalitāti pie ļoti zemiem bitu ātrumiem. Mobilajā lietotnē, kas darbojas pasliktinātā 4G tīklā, tas nodrošina skaidru balsi tur, kur WAV piesātinātu savienojumu, ar zemu straumēšanas latentci — augstāku nekā PCM, bet daudz zemāku nekā MP3. Saderība tomēr ir nevienmērīga: ne visi atskaņotāji to atbalsta dabiski, un dažiem ir nepieciešams OGG konteiners.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Opus for efficient streaming.",
voice_id=voice_id,
response_format="opus",
)
Šī ir izvēle VoIP, straumēšanai ar ierobežotu joslas platumu un mobilajām lietotnēm.
Lēmuma pieņemšana vienā minūtē
Saskaroties ar jaunu projektu, lem šādā secībā. Ja veic reāllaika straumēšanu, izvēlies PCM minimālai latentcei vai Opus, ja joslas platums ir tikpat svarīgs kā reakcijas ātrums. Pretējā gadījumā pajautā, kur fails tiks atskaņots: pārlūkā MP3 garantē maksimālu saderību. Ja tas vēlāk būs jārediģē, WAV nodrošina vieglāk apstrādājamu materiālu. Ja tas ir jāarhivē, nezaudējot ne decibelu, FLAC saspiež, neupurējot neko. Un ja dominējošais ierobežojums ir lēns tīkls, Opus piedāvā labāko kvalitātes un lieluma attiecību.
Galvenās atziņas
- MP3 ir noklusējuma izvēle universālai saderībai
- PCM nodrošina zemāko latentci reāllaika straumēšanai (~0,7 s)
- WAV nodrošina labāko nesaspiesto kvalitāti, ideāli piemērots pēcapstrādei
- FLAC saspiež bez zudumiem — tāda pati kvalitāte kā WAV, mazāki faili
- Opus ir labākais kvalitātes un lieluma kompromiss tīkla lietotnēm