Formaty audio
Na tej stronie
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 modelemvoxtral-mini-tts-3-0. Predefiniowane głosy z Voxtral 2 (gb_jane_neutral…) są nadal obsługiwane; Voxtral 3 wprowadza tagi[emotion=…]i[pace=…]w tekście, ustawienieexpressiveness, 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