Modele TTS Voxtral
Na tej stronie
Kurs zaktualizowany 3 listopada 2026 r. dla Voxtral TTS 3, na podstawie przewodnika Migrate from Voxtral 2 oraz stron Mistral dotyczących Text to Speech: model
voxtral-mini-tts-2603, wycofany 31 października 2026 r. i całkowicie usunięty 30 kwietnia 2027 r., został zastąpiony w przykładach przezvoxtral-mini-tts-3-0. Predefiniowane głosy z wersji Voxtral 2 (np.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.
Voxtral Mini TTS: Model referencyjny
Modelem syntezy w rodzinie Voxtral jest Voxtral TTS 3, identyfikowany w API jako voxtral-mini-tts-3-0 (alias voxtral-mini-tts-3). To jest identyfikator (slug), którego musisz używać w każdym wywołaniu API: zapamiętaj go, ponieważ jest to jedyny ciąg znaków w tym kursie, który musisz znać na pamięć. Model został zaprojektowany tak, aby oferować optymalny balans między jakością głosu, opóźnieniem a kosztem, co wyjaśnia, dlaczego samodzielnie pokrywa niemal wszystkie profesjonalne przypadki użycia.
Voxtral Mini TTS to bazowy model głosowy (voice foundation model). To rozróżnienie nie jest tylko kosmetyczne: starsze systemy TTS dzieliły tekst na fonemy i sklejały je z banku dźwięków, co skutkowało urywanym głosem, w którym każda sylaba wydawała się niezależna od poprzedniej. Voxtral przeciwnie – generuje mowę, rozumiejąc kontekst semantyczny tekstu. W zdaniu takim jak „On tego nie powiedział“ model wie, gdzie położyć nacisk, ponieważ zinterpretował strukturę zdania, wytwarzając naturalną prozodię z konsekwentną intonacją od początku do końca.
Specyfikacja techniczna
Model voxtral-mini-tts-3-0 charakteryzuje się następującymi parametrami:
| Cecha | Wartość |
|---|---|
| Opóźnienie modelu | Około 90 milisekund przed wygenerowaniem pierwszego dźwięku |
| Języki | 35 języków i ponad 50 dialektów; predefiniowane głosy w 22 językach |
| Klonowanie głosu | Zero-shot, na podstawie nagrania MP3 lub WAV trwającego od kilku sekund do kilku minut |
| Sterowanie | 34 tagi emocji, tagi tempa, expressiveness, niestandardowa wymowa |
| Formaty wyjściowe | MP3 (domyślnie), WAV, PCM, FLAC, Opus — mono, 24 kHz |
| Strumieniowanie | Obsługiwane w czasie rzeczywistym |
| Cena na dzień 3 listopada 2026 r. | 13 USD za milion znaków |
Te 90 milisekund zasługuje na głębszą refleksję: to opóźnienie przed udostępnieniem pierwszego fragmentu audio, a nie całkowity czas generowania. W asystencie konwersacyjnym właśnie ta konkretna wartość decyduje o tym, czy wymiana zdań wydaje się naturalna, czy też sztuczna i mozolna.
Predefiniowane głosy profesjonalne
Oprócz klonowania głosu, Mistral AI oferuje bibliotekę głosów profesjonalnych gotowych do natychmiastowego użycia. Głosy te zostały nagrane w studio i zoptymalizowane pod kątem różnych przypadków użycia. Świadczą one nieocenioną usługę na początku projektu: jeśli chcesz zweryfikować, czy Twój potok danych (pipeline) działa, zanim jeszcze zorganizujesz sesję nagraniową z wybranym aktorem głosowym, predefiniowany głos pozwala przetestować wszystko jeszcze tego samego dnia.
W Mistral Studio, czyli interfejsie webowym, możesz przeglądać te głosy i filtrować je według trzech kryteriów: płci (męski lub żeński), głównego języka głosu oraz emocji, czyli tonu emocjonalnego – neutralny, entuzjastyczny, spokojny i tak dalej. Każdy z nich jest dostępny poprzez swój voice_id w API, dokładnie tak samo jak głos, który sam sklonowałeś: Twój kod nie wymaga ani jednej zmiany linii, gdy przechodzisz z głosu demonstracyjnego na głos finalny.
Otwarte wagi: Opcje samodzielnego hostowania
Poprzednia generacja, Voxtral TTS (voxtral-mini-tts-2603), została wydana z udostępnionymi wagami – jest to model o 4 miliardach parametrów dostępny na Hugging Face – na licencji CC BY-NC 4.0. Nie jest to licencja open source w powszechnym rozumieniu: zabrania ona użytku komercyjnego. Pozwala na eksperymenty i prototypowanie na własnej infrastrukturze bez wysyłania jakichkolwiek próbek głosu poza sieć, ale produkt komercyjny musi korzystać z API lub osiągnąć porozumienie z Mistral AI. Na dzień dzisiejszy dokumentacja Voxtral TTS 3 nie wspomina o żadnych otwartych wagach.
Dla organizacji podlegających ograniczeniom dotyczącym poufności – takich jak placówki ochrony zdrowia czy agencje rządowe – pytanie dzieli się zatem na dwie części: czy użycie ma charakter komercyjny i czy otwarty model pokrywa wymagane języki oraz jakość? Jeśli nie, musisz przeanalizować zobowiązania umowne dotyczące API (hosting, retencja danych).
Użycie poprzez Mistral API
Aby użyć Voxtral Mini TTS poprzez API, musisz najpierw zainicjować klienta swoim kluczem API:
from mistralai.client import Mistral
client = Mistral(api_key="your-api-key")
Model jest następnie referencjonowany przez swój identyfikator voxtral-mini-tts-3-0 w każdym wywołaniu generowania. W nadchodzących lekcjach zobaczysz, jak tworzyć głosy i generować mowę; ten obiekt client będzie punktem wyjścia dla wszystkich kolejnych przykładów.
Jeśli preferujesz podejście bez kodu (no-code), Mistral Studio oferuje interfejs graficzny dostępny pod adresem studio.mistral.ai. Możesz tam odsłuchać dostępne profesjonalne głosy, nagrać własny głos bezpośrednio z przeglądarki, przetestować generowanie mowy z różnymi tekstami i dostosować parametry – język, emocje, format. Jest to idealne narzędzie do prototypowania: w dziesięć minut zweryfikuj, czy głos pasuje do projektu, a następnie przejdź do kodu, gdy decyzja zostanie podjęta.
Ewolucja roadmapy
Mistral AI ogłosiło, że do rodziny Voxtral dołączą inne modele: lżejsze modele przeznaczone do aplikacji wbudowanych i mobilnych, potężniejsze modele do generowania ekspresyjnych głosów oraz ciągłe ulepszenia jakości wielojęzycznej. Dlatego projektuj swoje integracje, izolując nazwę modelu w zmiennej konfiguracyjnej, zamiast rozrzucać ją po całym kodzie – gdy nadejdzie dzień następcy, migracja zajmie tylko jedną linię kodu. Do tego czasu voxtral-mini-tts-3-0 pozostaje modelem referencyjnym i pokrywa zdecydowaną większość profesjonalnych przypadków użycia.
Kluczowe wnioski
- Głównym modelem jest
voxtral-mini-tts-3-0, zoptymalizowany pod kątem jakości i opóźnień - Dostępne są predefiniowane głosy profesjonalne, pozwalające zacząć pracę bez próbki audio
- Poprzedni model posiada otwarte wagi i może być hostowany samodzielnie (tylko do użytku niekomercyjnego)
- Mistral Studio oferuje interfejs graficzny do testów bez pisania kodu
- Mistral API i Python SDK są punktami wejścia do integracji