Oħloq Vleġġa Personalizzata
F'din il-paġna
Il-kors aġġornat fit-3 ta’ Novembru 2026 għal Voxtral TTS 3, ibbażat fuq il-gwida Migrate from Voxtral 2 u l-paġni Text to Speech ta’ Mistral:
voxtral-mini-tts-2603, deprekat fil-31 ta’ Ottubru 2026 u rtirat fit-30 ta’ April 2027, huwa mibdul fl-eżempji b’voxtral-mini-tts-3-0. Il-vleġġiet predefiniti ta’ Voxtral 2 (gb_jane_neutral…) għadhom aċċettati; Voxtral 3 iżid it-tags[emotion=…]u[pace=…]fit-test, is-settingexpressiveness, il-pronunzja personalizzata (phoneme_hints), u 35 lingwa. Mistral jirrakkomanda li terġa’ tkejjel il-latency wara l-migrazzjoni. Sorsi: Migrate from Voxtral 2 · Speech generation.
Mir-Rekording għall-Vleġġa Kklonjata
Il-ħolqien ta’ vleġġa personalizzata ma’ Voxtral jinżel f’żewġ passi: ipprepara kampjun awdjo ta’ kwalità għolja, imbagħad ibgħatu lill-API bil-parametri t-tajba. It-tieni pass jieħu għaxar minuti; l-ewwel wieħed jistħoqqilu aktar attenzjoni għax huwa li jiddetermina r-riżultat. Din il-lezzjoni tieħdok pass pass biex toħloq l-ewwel vleġġa tiegħek.
Ipprepara l-Kampjun Awdjo Tiegħek
Il-kampjun awdjo huwa l-bażi tal-vleġġa tiegħek: il-kwalità tiegħu tiddetermina direttament il-kwalità tal-kliem sintetizzat. Il-mudell ma jikkoreġi xejn; huwa jirriproduċi dak li jisma’.
Ma’ Voxtral TTS 3, id-dokumentazzjoni titlob rekording MP3 jew WAV li jdum ftit sekondi sa ftit minuti (Voxtral 2 kien jaċċetta bejn 3 u 30 sekonda). Fil-prattika, hemm tliet reġimi distinti. Bejn 3 u 10 sekondi, il-mudell jaqbad it-timbru bażiku iżda b’anqas sfumaturi: il-vleġġa tkun rikonoxxibbli mingħajr ma tkun verament ħajja. Bejn 10 u 20 sekonda, tikseb kompromess tajjeb bejn il-kwalità u s-sempliċità, biżżejjed għall-biċċa l-kbira tal-proġetti. ‘Il fuq minn 20 sekonda, tagħti lill-mudell biżżejjed materjal biex jifhem is-sottilezzi—ir-ritmu, l-intonazzjoni, dawk il-mikro-varjazzjonijiet li jħallu lil ħabib jirrikonoxxik f’żewġ kelmiet.
Il-mistoqsija li fadal hija x’tgħid, kwistjoni li timblokta aktar nies milli taħseb meta jasal iż-żmien li tibda tirrekordja. Hawnhekk hemm skript ta’ referenza li jirrakkomanda 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.”
Dan it-test mhuwiex arbitrarju: huwa ddisinjat biex ikopri varjetà ta’ ħsejjes u intonazzjonijiet bl-Ingliż, b’vokali miftuħa u magħluqa, konsonanti plosivi, u sentenza eżklamatorja. Fuq in-naħa tal-fajl, l-API taċċetta formati komuni—MP3, WAV, FLAC, OGG—u l-fajl jiġi kodifikat f’base64 qabel ma jintbagħat.
Il-Kodiċi Python Sħiħ
Hawnhekk hemm il-kodiċi biex toħloq vleġġa bil-parametri kollha disponibbli:
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}")
Hemm biss żewġ parametri meħtieġa:
name: l-isem viżibbli tal-vleġġa tiegħek. Agħżel isem deskrittiv li jħallik tidentifikaha faċilment (eż.support-assistant-en,podcast-intro)sample_audio: il-kampjun awdjo kodifikat f’base64. Dan huwa l-uniku parametru li ma jistax jiġi mmodifikat wara l-ħolqien
L-oħrajn huma fakultattivi, iżda kull wieħed iservi għan konkret:
sample_filename: l-isem oriġinali tal-fajl. Jgħin lill-API tiskopri l-format awdjoslug: identifikatur adattat għall-URL. Jekk titħalla barra, tiġi ġġenerata awtomatikament mill-isemlanguages: array ta’ kodiċijiet ISO tal-lingwa (eż.["en", "fr", "es"]). Jindika l-lingwi li għalihom din il-vleġġa hija ottimizzatagender:"male"jew"female". Użat għall-iffiltrar fl-interfaċċaage: numru sħiħ li jirrappreżenta l-età approssimattiva tal-kelliem. Jgħin fil-kategorizzazzjoni tal-vleġġatags: array ta’ strings liberi biex torganizza l-vleġġiet tiegħek (eż.["commercial", "dynamic"])
F’proġett b’vleġġa waħda, tista’ tiġi ttentat li tħalli kollox barra. F’katalogu ta’ tletin vleġġa mxerrda fuq klijenti multipli, it-tags u l-lingwi speċifikati fil-ħolqien iffrankalek sigħat sħaħ ta’ ordinament.
Irrekordja mill-Browser
Jekk tippreferi li ma tittrattax fajls awdjo, Mistral Studio jħallik tirrekordja direttament mill-browser tiegħek:
- Mur fit-taqsima Audio > Text to Speech
- Ikklikkja My Voices imbagħad Add a new voice
- Daħħal l-isem tal-vleġġa tiegħek
- Ikklikkja l-buttuna tar-rekording u kellem għal 10 sa 30 sekonda
- Ikkonferma—il-vleġġa tiegħek tkun disponibbli immedjatament
Dan il-metodu jaħdem perfettament għal testijiet mgħaġġla, jew meta l-persuna li qed tissellef vleġġitha mhix dik li qed tikteb il-kodiċi—attur jew eżekuttiv ikun aktar lest li jagħmel l-eżerċizzju f’browser milli f’terminal.
Ivverifika l-Vleġġa Tiegħek
Qatt ma tgħaddi għall-pass li jmiss mingħajr ma tisma’ r-riżultat. Hekk kif tispiċċa l-ħolqien, iġġenera sentenza ta’ test:
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!")
Isma’ bl-headphones, mhux bl-ispikers tal-laptop: id-difetti fit-timbru ma jintlemħux hemmhekk. Jekk ir-riżultat ma jissodisfakx, oħloq vleġġa ġdida b’kampjun aħjar minflok ma terġa’ tuża l-istess wieħed—l-API ma tippermettix li tissostitwixxi l-awdjo ta’ vleġġa eżistenti anyway, u l-insistenza fuq rekording fqir biss iddum il-problema.
Punti Ewlenin
- Ir-rekording (MP3 jew WAV) jista’ jdum minn ftit sekondi sa ftit minuti; immira għal mill-inqas 10 sa 20 sekonda ta’ kliem varjat
- Il-fajl awdjo jiġi kodifikat f’base64 qabel ma jintbagħat lill-API
- Il-parametri
nameusample_audiohuma meħtieġa; l-oħrajn huma fakultattivi - Mistral Studio jħallik tirrekordja direttament mill-browser
- Dejjem ittestja l-vleġġa tiegħek immedjatament wara l-ħolqien