Izveidot pielāgotu balsi
Šajā lapā
Kurss atjaunināts 2026. gada 3. novembrī priekš Voxtral TTS 3, balstoties uz Migrācija no Voxtral 2 rokasgrāmatu un Mistral Teksts uz runu lapām:
voxtral-mini-tts-2603, kas deprecated 2026. gada 31. oktobrī un izņemts no aprites 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 tekstā pievieno[emotion=…]un[pace=…]tagus,expressivenessiestatījumu, pielāgotu izrunu (phoneme_hints) un 35 valodas. Mistral iesaka pēc migrācijas atkārtoti izmērīt latentumu. Avoti: Migrācija no Voxtral 2 · Runas ģenerēšana.
No ieraksta līdz klonētai balsij
Pielāgotas balss izveide ar Voxtral sastāv no diviem soļiem: sagatavo augstas kvalitātes audio paraugu, pēc tam nosūti to API ar pareizajiem parametriem. Otrais solis aizņem desmit minūtes; pirmais ir pelnījis lielāku uzmanību, jo tieši tas nosaka rezultātu. Šī nodarbība tev parādīs, kā izveidot savu pirmo balsi.
Sagatavo audio paraugu
Audio paraugs ir tavas balss pamats: tā kvalitāte tieši nosaka sintezētās runas kvalitāti. Modelis neko nelabo; tas atskaņo tieši to, ko dzird.
Ar Voxtral TTS 3 dokumentācija pieprasa MP3 vai WAV ierakstu, kas ilgst no dažām sekundēm līdz dažām minūtēm (Voxtral 2 pieņēma 3 līdz 30 sekundes). Praksē izceļami trīs režīmi. No 3 līdz 10 sekundēm modelis uztver pamata tembru, bet ar mazāk niansēm: balss būs atpazīstama, bet ne patiesi dzīvīga. No 10 līdz 20 sekundēm iegūsti labu kompromisu starp kvalitāti un vienkāršību, kas pietiekams vairumam projektu. Pārsniedzot 20 sekundes, tu dod modelim pietiekami daudz materiāla, lai aptvertu smalkumus – ritmu, intonāciju, tās mikrovariācijas, kas ļauj draugam tevi atpazīt divos vārdos.
Paliek jautājums, ko teikt, un šī problēma aptur vairāk cilvēku, nekā variētu šķist, kad pienāk laiks nospiest ieraksta pogu. Lūk, atsauces teksts, ko iesaka Mistral:
“I am recording an audio sample to clone my voice. Once finished, I will be able to generate speech that sounds like me. It is incredible how AI can capture my way of speaking, my tone, my rhythm, and even the small quirks that make my voice unique.”
Šis teksts nav nejaušs: tas ir veidots, lai angliski aptvertu dažādas skaņas un intonācijas, ar atklātiem un slēgtiem patskaņiem, sprādzien līdzskanēm un izsaucamu teikumu. Attiecībā uz failu API pieņem izplatītus formātus – MP3, WAV, FLAC, OGG – un fails pirms nosūtīšanas tiek kodēts base64 formātā.
Pilns Python kods
Lūk, kods balss izveidei ar visiem pieejamajiem parametriem:
import base64
from pathlib import Path
from mistralai.client import Mistral
client = Mistral(api_key="your-api-key")
# Read and encode the audio sample
audio_path = Path("my-sample.mp3")
sample_audio_b64 = base64.b64encode(audio_path.read_bytes()).decode()
# Create the voice with all parameters
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}")
Tikai divi parametri ir obligāti:
name: tavas balss attēlojamais nosaukums. Izvēlies aprakstošu nosaukumu, kas ļauj to viegli identificēt (piemēram,support-assistant-en,podcast-intro)sample_audio: audio paraugs, kodēts base64 formātā. Tas ir vienīgais parametrs, ko pēc izveides vairs nevar mainīt
Pārējie ir neobligāti, taču katram ir konkrēts mērķis:
sample_filename: sākotnējais faila nosaukums. Palīdz API noteikt audio formātuslug: URL draudzīgs identifikators. Ja tas tiek izlaists, tas tiek ģenerēts automātiski no nosaukumalanguages: ISO valodu kodu masīvs (piemēram,["en", "fr", "es"]). Norāda valodas, kurām šī balss ir optimizētagender:"male"vai"female". Izmanto filtrēšanai saskarnēage: vesels skaitlis, kas apzīmē runātāja aptuveno vecumu. Palīdz kategorizēt balsitags: brīvas formas virkņu masīvs, lai organizētu savas balsis (piemēram,["commercial", "dynamic"])
Vienas balss projektā tev varētu rasties kārdinājums visu izlaist. Taču katalogā ar trīsdesmit balsīm, kas sadalītas starp vairākiem klientiem, izveides brīdī norādītie tagi un valodas ietaupīs tev stundas šķirošanā.
Ieraksti tieši no pārlūka
Ja vēlies izvairīties no audio failu apstrādes, Mistral Studio ļauj ierakstīt tieši no pārlūka:
- Dodies uz sadaļu Audio > Text to Speech
- Noklikšķini uz My Voices, tad uz Add a new voice
- Ievadi savas balss nosaukumu
- Nospied ieraksta pogu un runā 10 līdz 30 sekundes
- Apstiprini – tava balss ir uzreiz pieejama
Šī metode lieliski darbojas ātriem testiem vai gadījumos, kad persona, kas aizdod savu balsi, nav tā, kas raksta kodu – aktieris vai vadītājs būs daudz gatavāks veikt šo darbību pārlūkā, nevis terminālī.
Pārbaudi savu balsi
Nekad nepārej tālāk, neieklausoties rezultātā. Tiklīdz izveide ir pabeigta, ģenerē testa teikumu:
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!")
Klausies austiņās, nevis klēpjdatora skaļruņos: tur tembra defekti ir nedzirdami. Ja rezultāts tevi neapmierina, izveido jaunu balsi ar labāku paraugu, nevis mēģini atkārtoti izmantot to pašu – API tāpat neatļauj aizstāt esošas balss audio, un uzstāšana uz sliktu ierakstu tikai atliks problēmu.
Galvenās atziņas
- Ieraksts (MP3 vai WAV) var ilgt no dažām sekundēm līdz dažām minūtēm; tiecies uz vismaz 10 līdz 20 sekundēm daudzveidīgas runas
- Audio fails pirms nosūtīšanas API tiek kodēts base64 formātā
- Parametri
nameunsample_audioir obligāti; pārējie ir neobligāti - Mistral Studio ļauj ierakstīt tieši no pārlūka
- Vienmēr pārbaudi savu balsi uzreiz pēc tās izveides