Aqbeż għall-kontenut ewlieni
Malti— Agħżel lingwa
Menu

Klonar tal-Vuċi fuq it-Titjira

Lezzjoni 9 / 14 Aġġornat 3 ta’ Novembru 2026 Zviluppatur
F'din il-paġna
  1. Ikkklonja Mingħajr Ma Tħalli
  2. Tliet Xenarji Fejn Dan l-Approċċ Jirnexxi
  3. voice_id vs. ref_audio: Id-Differenzi
  4. Tagħqid taż-Żewġ Approċċi
  5. Punti Ewlenin

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 terġa’ tkejjel il-latency wara l-migrazzjoni. Sorsi: Migrate from Voxtral 2 · Speech generation.

Ikkklonja Mingħajr Ma Tħalli

Il-lezzjoni preċedenti kienet tiddependi fuq vuċi salvata, maħluqa minn qabel permezz tal-API tal-Vuċijiet u msemmija bl-voice_id tagħha. Voxtral joffri triq sekondarja: il-klonar fuq it-titjira (on-the-fly), fejn tipprovdi l-awdjo ta’ referenza direttament fit-talba tal-ġenerazzjoni. L-ebda oġġett ma jinħoloq fil-kont tiegħek: il-kampjun iservi biss għal dik it-talba speċifika, imbagħad jintrema.

Fil-prattika, tibdel voice_id b’ref_audio, li jistenna l-kampjun tal-awdjo kodifikat f’base64. Il-bqija tas-sejħa tibqa’ l-istess.

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

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

# Encode the reference audio
ref_audio_b64 = base64.b64encode(
    Path("reference.mp3").read_bytes()
).decode()

# Generate with on-the-fly cloning
response = client.audio.speech.complete(
    model="voxtral-mini-tts-3-0",
    input="This speech will resemble the reference voice.",
    ref_audio=ref_audio_b64,
    response_format="wav",
)

audio_bytes = base64.b64decode(response.audio_data)
Path("cloned-output.wav").write_bytes(audio_bytes)
print("Audio generated with on-the-fly cloning!")

Tliet Xenarji Fejn Dan l-Approċċ Jirnexxi

L-ewwel huwa l-prototipar. Meta tkun qed tfittex il-kampjun ta’ referenza t-tajjeb, tista’ tipprova għaxra, ħmistax, jew saħansitra aktar. Li toħloq daqshekk vuċijiet fil-kont tiegħek ifisser li aktar tard ikollok issibhom u tħassarhom wieħed wieħed. B’ref_audio, iċ-ċiklu tat-test tiegħek ma jħalli l-ebda traċċa fuq is-server, u jħallik tqabbel ir-renderings sempliċement billi tisma’ l-fajls prodotti.

# Quickly test multiple samples
samples = ["sample1.mp3", "sample2.mp3", "sample3.mp3"]

for file in samples:
    ref_b64 = base64.b64encode(Path(file).read_bytes()).decode()
    response = client.audio.speech.complete(
        model="voxtral-mini-tts-3-0",
        input="This is a voice quality test.",
        ref_audio=ref_b64,
        response_format="mp3",
    )
    output = f"test-{Path(file).stem}.mp3"
    Path(output).write_bytes(base64.b64decode(response.audio_data))
    print(f"Generated: {output}")

It-tieni xenarju huwa l-użu okkażjonali. Messaġġ ta’ awguri personalizzat għat-twelid bl-użu tal-vuċi ta’ għażiż, jew demo għal klijent imħejji għal laqgħa speċifika: jekk il-vuċi se tintuża darba biss, m’hemm l-ebda raġuni biex tinstallaha b’mod permanenti fil-kont tiegħek.

It-tielet hija l-kunfidenzjalità. L-awdjo ta’ referenza mibgħut permezz ta’ ref_audio ma jinħażinx fuq is-server. Jekk qed tittratta l-vuċi ta’ pazjent, xhud, jew eżekuttiv, din id-differenza mhix kosmetika: tbiddel dak li trid tiddikjara fir-reġistru tal-ipproċessar tiegħek u dak li għandek bżonn tħassar fil-każ ta’ talba.

voice_id vs. ref_audio: Id-Differenzi

Kriterjuvoice_idref_audio
PersistenzaVuċi salvata fil-kontL-ebda persistenza
Użu mill-ġdidIllimitatGħal kull talba
LatencyKemxejn aktar mgħaġġel (il-vuċi diġà pproċessata)Kemxejn aktar bil-mod (ipproċessar f’kull sejħa)
ĠestjoniCRUD sħiħ (immodifika, ħassar)Xejn x’timmaniġġja
Spiża tan-NetworkBiss il-voice_id (ftit bytes)Awdjo sħiħ f’kull talba
KunfidenzjalitàAwdjo maħżun fis-sħabaAwdjo mhux maħżun

Ir-regola tad-deċiżjoni tinżel għall-frekwenza tal-użu. Vuċi użata kuljum—bħal narratur ta’ applikazzjoni jew kelliem għal marka—tistħoqqilha tinħoloq b’client.audio.voices.create(): tiffranka l-bandwidth li tibgħat kampjun ma’ kull sejħa, u tikseb il-ħin tal-ipproċessar tar-referenza. Vuċi li qed tittestja jew se tuża darba biss għandha tgħaddi minn ref_audio, u tħallik mingħajr xejn x’tnaddaf.

Tagħqid taż-Żewġ Approċċi

Dawn iż-żewġ metodi mhumiex esklużivi reċiprokament; l-aktar fluss ta’ ħidma effettiv iqiegħdhom f’sekwenza. L-ewwel, sib il-kampjun it-tajjeb billi tuża ref_audio, u tisma’ kull riżultat. Ladarba kandidat jissodisfak, erġa’ uża l-istess string base64—diġà fil-memorja—biex toħloq il-vuċi finali, kompluta bl-isem, il-lingwi, u l-ġeneru tagħha.

# Phase 1: Quick test with ref_audio
ref_b64 = base64.b64encode(Path("my-voice.mp3").read_bytes()).decode()
response = client.audio.speech.complete(
    model="voxtral-mini-tts-3-0",
    input="Quality test.",
    ref_audio=ref_b64,
    response_format="mp3",
)
# Listen to the result...

# Phase 2: Satisfied? Save the voice
voice = client.audio.voices.create(
    name="my-validated-voice",
    sample_audio=ref_b64,
    sample_filename="my-voice.mp3",
    languages=["fr"],
    gender="male",
)
print(f"Voice saved: {voice.id}")

Ippraktika b’tliet rekording tal-vuċi tiegħek stess, magħmula taħt tliet kundizzjonijiet differenti—mikrofonu tal-headset, telefon, kamra b’riverberazzjoni. Iġġenera l-istess frażi ma’ kull waħda permezz ta’ ref_audio, isma’, u mbagħad salva biss ir-rebbieħ. F’għaxar minuti, titgħallem x’jiddistingwi kampjun tajjeb minn wieħed ħażin, mingħajr ma tħalli warajk tliet vuċijiet inutili.

Punti Ewlenin

  • Il-parametru ref_audio jħallik tikkklonja vuċi mingħajr ma ssalvaha
  • L-awdjo ta’ referenza huwa kodifikat f’base64 u mibgħut direttament fit-talba
  • Il-klonar fuq it-titjira huwa ideali għall-ittestjar, l-użu okkażjonali, u l-kunfidenzjalità
  • Għall-użu regolari, ippreferi vuċi salvata (latency aktar baxxa, inqas bandwidth)
  • Tista’ tittestja b’ref_audio u mbagħad issalva l-vuċi ladarba tkun sodisfatt