Aqbeż għall-kontenut ewlieni
Malti— Agħżel lingwa
Menu

Ġenerazzjoni Bażika tal-Kliem

Lezzjoni 8 / 14 Aġġornat 3 ta’ Novembru 2026 Zviluppatur
F'din il-paġna
  1. L-Ewwel Ġenerazzjoni tal-Vuċi Tiegħek
  2. X’Jikkontrolla Kull Parametru
  3. Tikber: Kapitolu ta’ Awdjolibru
  4. Meta l-Ġenerazzjoni Tonqos
  5. Punti Ewlenin

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-vuċijiet predefiniti ta’ Voxtral 2 (gb_jane_neutral…) għadhom aċċettati; Voxtral 3 iżid it-tags [emotion=…] u [pace=…] fit-test, is-setting expressiveness, il-pronunzja personalizzata (phoneme_hints), u 35 lingwa. Mistral jirrakkomanda li tkejjel mill-ġdid il-latency wara l-migrazzjoni. Sorsi: Migrate from Voxtral 2 · Speech generation.

L-Ewwel Ġenerazzjoni tal-Vuċi Tiegħek

Issa taf kif toħloq vuċi u timmaniġġjah permezz tal-API tal-Vuċijiet. L-aħħar pass huwa li tagħmel dak li għalih sar dan ix-xogħol kollu: tipproduċi awdjo. L-API tal-Kliem ta’ Mistral tinżel għal sejħa waħda, client.audio.speech.complete(), li tieħu test u ID tal-vuċi u tirritorna awdjo kodifikat f’base64. Din il-lezzjoni tkopri l-ġenerazzjoni bażika b’vuċi salvata; il-klonazzjoni fuq it-tajr u l-istreaming jiġu wara.

Il-kodici hawn taħt huwa dak kollu li għandek bżonn biex tbiddel sentenza f’fajl MP3 fuq id-disk tiegħek. Oqgħod attent ħafna għall-aħħar pass: ir-risposta ma fihiex bytes tal-awdjo raw li tista’ tuża direttament, iżda string base64 li trid tiddekodja qabel ma tikteb il-fajl. Dan huwa l-iżball klassiku tal-bidu—li tissalva s-string bħala tali jikkawża li l-plejers tal-awdjo jirrifjutaw li jiftħuha.

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

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

# Generate speech with a saved voice
response = client.audio.speech.complete(
    model="voxtral-mini-tts-3-0",
    input="Hello and welcome to this course on Voxtral TTS.",
    voice_id="your-voice-id",
    response_format="mp3",
)

# Decode base64 and save to file
audio_bytes = base64.b64decode(response.audio_data)
Path("output.mp3").write_bytes(audio_bytes)
print(f"Audio generated: {len(audio_bytes)} bytes")

X’Jikkontrolla Kull Parametru

Il-parametru model jispeċifika l-mudell tas-sinteżi. Sadanittant, voxtral-mini-tts-3-0 huwa l-uniku wieħed disponibbli, iżda dejjem speċifikah b’mod espliċitu: meta jidhru mudelli oħra, il-kodiċi tiegħek ikompli jipproduċi eżattament l-istess vuċi li qed jipproduċi llum.

input jieħu t-test li għandu jinqara, u huwa bil-bosta l-parametru li jeħtieġ l-aktar attenzjoni. Id-dokumentazzjoni ta’ Voxtral 2 kienet tissuġġerixxi li tibqa’ taħt il-300 kelma għal kull talba; id-dokumentazzjoni ta’ Voxtral TTS 3 ma tistabbilixxix limitu aktar, iżda t-talbiet ta’ paragrafu wieħed jibqgħu aktar faċli biex jiġu kkontrollati u riprodotti. Evita l-emojis, li l-mudell ma jistax jinterpreta, kif ukoll il-formatting kumpless—Markdown, HTML, karattri speċjali—li jispiċċa jinqara kelma b’kelma. Fl-aħħar nett, ikteb in-numri u l-abbrevjazzjonijiet sħaħ: “twenty-three” minflok “23”, “Limited Liability Company” minflok “LLC”. Aġent tal-vuċi li jitħabat man-numri waqt li jħabbar ammont jitlif il-kredibbiltà tiegħu f’sentenza waħda.

voice_id jidentifika l-vuċi użata. Tiksebha b’tliet modi: billi toħloq vuċi b’client.audio.voices.create() (ara l-lezzjoni 5), billi telenka l-vuċijiet eżistenti tiegħek b’client.audio.voices.list(), jew billi terġa’ tuża l-ID ta’ vuċi professjonali ta’ Mistral. response_format, finalment, jistabbilixxi l-format tal-output fost mp3, wav, pcm, flac, u opus. Din l-għażla taffettwa kemm id-daqs tal-fajl kif ukoll il-latency, u l-lezzjoni 12 hija ddedikata għalkollox għaliha.

Tikber: Kapitolu ta’ Awdjolibru

Għal test ftit itwal, it-tqassim jibqa’ l-aħjar prattika. Il-prinċipju huwa sempliċi: ipprepara lista ta’ paragrafi, iġġenera kull wieħed separatament, imbagħad akkumula l-bytes dekodifikati f’buffer wieħed qabel ma tikteb il-fajl finali.

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

client = Mistral(api_key="your-api-key")
voice_id = "your-voice-id"

# Text split into paragraphs
paragraphs = [
    "First paragraph of the chapter. The narrator introduces the context.",
    "Second paragraph. The action begins to develop.",
    "Third paragraph. Suspense builds gradually.",
]

full_audio = b""

for i, text in enumerate(paragraphs):
    print(f"Generating segment {i + 1}/{len(paragraphs)}...")
    response = client.audio.speech.complete(
        model="voxtral-mini-tts-3-0",
        input=text,
        voice_id=voice_id,
        response_format="wav",
    )
    full_audio += base64.b64decode(response.audio_data)

Path("chapter-01.wav").write_bytes(full_audio)
print("Audio chapter generated successfully!")

Dan l-iskript jaħdem għax jipproduċi WAV, format mhux ikkompressat li s-segmenti tiegħu jistgħu jiġu kkatinati truf ma’ truf mingħajr ipproċessar speċjali. Ipprova l-istess ħaġa b’MP3 jew Opus u r-riżultat ikun inutilizzabbli: dawn il-formati kkompressati jġorru headers u strutturi ta’ frame li l-katinazzjoni raw tkisser. Minflok, uża librerija bħal pydub, li tiddekodja kull segment qabel ma tgħaqqadhom b’mod nadif.

Meta l-Ġenerazzjoni Tonqos

Fil-produzzjoni, trid tipproteġi s-sejħa. voice_id imħassar il-bieraħ minn kollega, test li jikber bil-mod għax kamp ġie kkatinat, kwota tal-API eżawrita fi tmiem ix-xahar, format tal-output miktub ħażin: kull waħda minn dawn is-sitwazzjonijiet tqajjem eċċezzjoni, u mingħajr salvagwardji l-ipproċessar bil-lott tiegħek jieqaf f’nofs il-korpus.

try:
    response = client.audio.speech.complete(
        model="voxtral-mini-tts-3-0",
        input="Text to convert to speech.",
        voice_id=voice_id,
        response_format="mp3",
    )
    audio_bytes = base64.b64decode(response.audio_data)
    Path("output.mp3").write_bytes(audio_bytes)
except Exception as e:
    print(f"Error during generation: {e}")

Ħu l-ħin biex tittestja din il-mogħdija tal-iżball qabel ma tmur fil-produzzjoni: iġġenera deliberatament b’voice_id falz u vverifika li l-applikazzjoni tiegħek tissinjalaha b’mod ċar minflok ma tipproduċi fajl vojt.

Punti Ewlenin

  • Il-ġenerazzjoni tuża client.audio.speech.complete() bil-mudell voxtral-mini-tts-3-0
  • Aqsam testi twal f’paragrafi u evita emojis u formatting
  • Ikteb in-numri u l-abbrevjazzjonijiet sħaħ għal pronunzja korretta
  • L-awdjo ritornat huwa base64—idddekodjah qabel ma tissalvah
  • Għal testi twal, aqsamhom f’segmenti u għaqqad ir-riżultati