Przejdź do głównej treści
Polski— Wybierz język
Menu

Formaty audio

Lekcja 12 z 14 Zaktualizowano 3 listopada 2026 Programista
Na tej stronie
  1. Wybór odpowiedniego formatu wyjściowego
  2. MP3: Uniwersalny standard
  3. WAV: Maksymalna jakość
  4. PCM: Format czasu rzeczywistego
  5. FLAC: Kompresja bezstratna
  6. Opus: Nowoczesny kompromis
  7. Decyzja w minutę
  8. Kluczowe wnioski

Kurs zaktualizowany 3 listopada 2026 r. dla Voxtral TTS 3, na podstawie przewodnika Migrate from Voxtral 2 oraz dokumentacji Mistral Text to Speech: model voxtral-mini-tts-2603, wycofany 31 października 2026 r. i usunięty 30 kwietnia 2027 r., został zastąpiony w przykładach modelem voxtral-mini-tts-3-0. Predefiniowane głosy z Voxtral 2 (gb_jane_neutral…) są nadal obsługiwane; Voxtral 3 wprowadza tagi [emotion=…] i [pace=…] w tekście, ustawienie expressiveness, niestandardową wymowę (phoneme_hints) oraz obsługę 35 języków. Mistral zaleca ponowne zmierzenie opóźnień po migracji. Źródła: Migrate from Voxtral 2 · Speech generation.

Wybór odpowiedniego formatu wyjściowego

Parametr response_format akceptuje pięć wartości. Ten pozornie prosty wybór ma znacznie większe znaczenie, niż się wydaje: decyduje o jakości dźwięku, rozmiarze zapisywanych plików, odczuwanym przez użytkowników opóźnieniu oraz kompatybilności z ich odtwarzaczami. Podcast dostarczony w formacie PCM będzie nieodtwarzalny dla połowy Twojej publiczności; agent głosowy korzystający z MP3 będzie opóźniony o dwie sekundy względem każdej odpowiedzi. Poniższa tabela przedstawia ogólny obraz sytuacji, a reszta tej lekcji wyjaśnia, kiedy stosować każdy z formatów.

Format Kompresja Jakość Opóźnienie streamingu Główne zastosowanie
MP3 Stratna Dobra ~2 sekundy Zastosowania ogólne, pliki
WAV Brak (PCM) Maksymalna Średnie Postprodukcja, audiobooki
PCM Brak (surowe) Maksymalna ~0,7 sekundy Streaming w czasie rzeczywistym
FLAC Bezstratna Maksymalna Średnie Archiwizacja, jakość profesjonalna
Opus Stratna Bardzo dobra Niskie Streaming, VoIP, ograniczona przepustowość

Wartości opóźnień w tej tabeli są przybliżonymi rzędami wielkości zmierzonymi dla Voxtral 2; zmierz je ponownie dla Voxtral TTS 3, który we wszystkich przypadkach generuje dźwięk mono o częstotliwości próbkowania 24 kHz.

MP3: Uniwersalny standard

MP3 pozostaje najbardziej rozpowszechnionym formatem: każda przeglądarka, telefon i odtwarzacz odczytuje go natywnie, a także obsługuje metadane ID3 wymagane przez platformy podcastowe. Jego kompresja jest stratna, więc jakość jest nieco niższa niż w przypadku WAV, ale różnica ta jest rzadko słyszalna w mowie. Jego prawdziwa wada leży gdzie indziej: podczas streamingu kodek musi zgromadzić dane przed wygenerowaniem pierwszej klatki, co opóźnia pojawienie się pierwszego dźwięku o około dwie sekundy. Wybierz ten format do plików do pobrania, podcastów lub standardowej integracji internetowej – nigdy do zastosowań konwersacyjnych.

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: Maksymalna jakość

WAV zawiera nieskompresowane audio PCM, zapewniając najlepszą możliwą jakość bez żadnych strat. Ponieważ nie ma nic do dekodowania, a edytory audio powszechnie rozpoznają ten format, jest on naturalnym punktem wyjścia dla każdego łańcucha postprodukcji: edytujesz, korektujesz equalizerem i kompresujesz, a następnie eksportujesz do wybranego formatu dystrybucji. Kompromisem jest rozmiar pliku – około dziesięciokrotnie większy niż MP3 – oraz wynikające z tego wymagania dotyczące przepustowości.

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",
)

Rezerwuj go dla audiobooków w jakości studyjnej, archiwizacji i wszystkiego, co planujesz później edytować.

PCM: Format czasu rzeczywistego

PCM (Pulse Code Modulation) to surowe audio Float32 Little-Endian bez nagłówka ani opakowania. Ta surowość jest zarówno jego siłą, jak i słabością. Siła: nic do kodowania ani dekodowania, pierwszy dźwięk pojawia się po około 0,7 sekundy, a odebrane bajty można zapisać bezpośrednio na karcie dźwiękowej. Słabość: bez nagłówka musisz samodzielnie znać i przekazywać częstotliwość próbkowania oraz format – właśnie dlatego przykład z pyaudio w lekcji 10 jawnie deklarował paFloat32, jeden kanał i 24 000 Hz. Pliki są również bardzo duże i żaden konsumencki odtwarzacz nie otwiera ich bezpośrednio.

response = client.audio.speech.complete(
    model="voxtral-mini-tts-3-0",
    input="Raw PCM for streaming.",
    voice_id=voice_id,
    response_format="pcm",
)

Jest to format przeznaczony dla asystentów głosowych w czasie rzeczywistym, agentów konwersacyjnych i aplikacji WebRTC.

FLAC: Kompresja bezstratna

FLAC zmniejsza rozmiar pliku o 50% do 60%, nie naruszając ani jednej próbki: jakość jest rygorystycznie identyczna jak w WAV, a metadane zostają zachowane. W praktyce jest to Twój format archiwizacyjny: przechowuj swoje materiały źródłowe w FLAC, a będziesz mógł wygenerować ponownie MP3 lub Opus za kilka lat, nie cierpiąc z powodu podwójnej kompresji, która degraduje dźwięk. Wymaga jednak dekodera, przez co jest mniej uniwersalny niż 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: Nowoczesny kompromis

Opus to kodek zaprojektowany do komunikacji w czasie rzeczywistym, zapewniający doskonałą jakość przy bardzo niskich bitrate’ach. W aplikacji mobilnej działającej na słabym łączu 4G dostarczy czysty głos tam, gdzie WAV zatkałby połączenie, przy niskim opóźnieniu streamingu – wyższym niż PCM, ale znacznie niższym niż MP3. Kompatybilność jest jednak nierówna: nie wszystkie odtwarzacze obsługują go natywnie, a niektóre wymagają kontenera OGG.

response = client.audio.speech.complete(
    model="voxtral-mini-tts-3-0",
    input="Opus for efficient streaming.",
    voice_id=voice_id,
    response_format="opus",
)

Jest to wybór dla VoIP, streamingu o ograniczonej przepustowości i aplikacji mobilnych.

Decyzja w minutę

Stając przed nowym projektem, podejmuj decyzję w następującej kolejności. Jeśli realizujesz streaming w czasie rzeczywistym, wybierz PCM dla minimalnego opóźnienia lub Opus, jeśli przepustowość jest równie ważna co responsywność. W przeciwnym razie zastanów się, gdzie plik będzie odtwarzany: w przeglądarce MP3 gwarantuje maksymalną kompatybilność. Jeśli plik będzie później edytowany, WAV daje najłatwiejszy do manipulacji materiał. Jeśli musi być zarchiwizowany bez utraty ani decybela, FLAC kompresuje bez żadnych strat. A jeśli dominującym ograniczeniem jest wolna sieć, Opus oferuje najlepszy stosunek jakości do rozmiaru.

Kluczowe wnioski

  • MP3 to domyślny wybór zapewniający uniwersalną kompatybilność
  • PCM oferuje najniższe opóźnienie dla streamingu w czasie rzeczywistym (~0,7 s)
  • WAV zapewnia najlepszą nieskompresowaną jakość, idealną do postprodukcji
  • FLAC kompresuje bez strat – ta sama jakość co WAV, mniejsze pliki
  • Opus to najlepszy kompromis między jakością a rozmiarem dla aplikacji sieciowych