Tworzenie niestandardowego głosu
Na tej stronie
Kurs zaktualizowany 3 listopada 2026 r. dla Voxtral TTS 3, na podstawie przewodnika Migrate from Voxtral 2 oraz stron dokumentacji 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 modelemvoxtral-mini-tts-3-0. Predefiniowane głosy 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.
Od nagrania do sklonowanego głosu
Stworzenie niestandardowego głosu w Voxtral sprowadza się do dwóch kroków: przygotowania wysokiej jakości próbki audio, a następnie wysłania jej do API z odpowiednimi parametrami. Drugi krok zajmuje dziesięć minut; pierwszy zasługuje na większą uwagę, ponieważ to on decyduje o wyniku końcowym. W tej lekcji przeprowadzę Cię przez proces tworzenia Twojego pierwszego głosu.
Przygotowanie próbki audio
Próbka audio to fundament Twojego głosu: jej jakość bezpośrednio determinuje jakość syntezy mowy. Model niczego nie koryguje; odtwarza dokładnie to, co usłyszy.
Dokumentacja Voxtral TTS 3 wymaga nagrania w formacie MP3 lub WAV trwającego od kilku sekund do kilku minut (Voxtral 2 akceptował od 3 do 30 sekund). W praktyce wyróżniamy trzy przedziały czasowe. Między 3 a 10 sekundami model wychwytuje podstawowe brzmienie, ale z mniejszą liczbą niuansów: głos będzie rozpoznawalny, lecz nie do końca naturalny. Przedział od 10 do 20 sekund stanowi dobry kompromis między jakością a prostotą, wystarczający dla większości projektów. Powyżej 20 sekund dostarczasz modelowi wystarczająco materiału, by zrozumiał subtelności – rytm, intonację, te mikrozmienny, dzięki którym przyjaciel rozpoznaje Cię po dwóch słowach.
Pozostaje kwestia tego, co powiedzieć – problem, który blokuje więcej osób, niż mogłoby się wydawać w momencie naciskania przycisku nagrywania. Oto przykładowy skrypt rekomendowany przez Mistral:
„Nagrywam próbkę audio, aby sklonować mój głos. Po zakończeniu będę mógł generować mowę brzmiącą jak moja własna. To niesamowite, jak AI potrafi uchwycić mój sposób mówienia, ton, rytm, a nawet drobne osobliwości, które czynią mój głos unikalnym”.
Ten tekst nie jest przypadkowy: został zaprojektowany tak, aby objąć różnorodne dźwięki i intonacje w języku angielskim, zawierając samogłoski otwarte i domknięte, spółgłoski wybuchowe oraz zdanie wykrzyknikowe. Jeśli chodzi o plik, API akceptuje popularne formaty – MP3, WAV, FLAC, OGG – a plik jest kodowany do formatu base64 przed wysłaniem.
Kompletny kod w Pythonie
Oto kod tworzący głos z wykorzystaniem wszystkich dostępnych parametrów:
import base64
from pathlib import Path
from mistralai.client import Mistral
client = Mistral(api_key="your-api-key")
# Odczyt i kodowanie próbki audio
audio_path = Path("my-sample.mp3")
sample_audio_b64 = base64.b64encode(audio_path.read_bytes()).decode()
# Tworzenie głosu ze wszystkimi parametrami
voice = client.audio.voices.create(
name="podcast-narrator-en",
sample_audio=sample_audio_b64,
sample_filename=audio_path.name,
languages=["en", "fr"],
gender="male",
age=40,
tags=["podcast", "narrator", "professional"]
)
print(f"Voice created successfully!")
print(f" ID : {voice.id}")
print(f" Name : {voice.name}")
print(f" Languages : {voice.languages}")
Tylko dwa parametry są wymagane:
name: nazwa wyświetlana Twojego głosu. Wybierz nazwę opisową, która pozwoli Ci go łatwo zidentyfikować (np.support-assistant-en,podcast-intro)sample_audio: próbka audio zakodowana w formacie base64. Jest to jedyny parametr, którego nie można zmodyfikować po utworzeniu głosu
Pozostałe parametry są opcjonalne, ale każdy pełni konkretną funkcję:
sample_filename: oryginalna nazwa pliku. Pomaga API wykryć format audioslug: identyfikator przyjazny dla URL. Jeśli zostanie pominięty, jest generowany automatycznie na podstawie nazwylanguages: tablica kodów języków ISO (np.["en", "fr", "es"]). Wskazuje języki, dla których ten głos jest zoptymalizowanygender:"male"lub"female". Służy do filtrowania w interfejsieage: liczba całkowita reprezentująca przybliżony wiek mówcy. Pomaga w kategoryzacji głosutags: tablica dowolnych ciągów znaków służących do organizowania głosów (np.["commercial", "dynamic"])
W projekcie wykorzystującym jeden głos możesz mieć pokusę pominięcia wszystkiego. Jednak przy katalogu trzydziestu głosów rozdzielonych między wielu klientów, tagi i języki określone podczas tworzenia zaoszczędzą Ci godzin sortowania.
Nagrywanie z poziomu przeglądarki
Jeśli wolisz nie zajmować się plikami audio, Mistral Studio pozwala na nagrywanie bezpośrednio z przeglądarki:
- Przejdź do sekcji Audio > Text to Speech
- Kliknij My Voices, a następnie Add a new voice
- Wprowadź nazwę swojego głosu
- Kliknij przycisk nagrywania i mów przez 10 do 30 sekund
- Potwierdź – Twój głos jest natychmiast dostępny
Ta metoda sprawdza się idealnie do szybkich testów lub gdy osoba użyczająca głosu nie jest tą, która pisze kod – aktor lub dyrektor wykonawczy chętniej podejmie to ćwiczenie w przeglądarce niż w terminalu.
Weryfikacja głosu
Nigdy nie przechodź dalej bez odsłuchania wyniku. Zaraz po zakończeniu tworzenia wygeneruj zdanie testowe:
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Hello, this is a test of my custom voice.",
voice_id=voice.id,
response_format="mp3",
)
Path("test-voice.mp3").write_bytes(
base64.b64decode(response.audio_data)
)
print("File test-voice.mp3 generated — listen to the result!")
Słuchaj na słuchawkach, a nie na głośnikach laptopa: na tych drugich defekty brzmienia są niesłyszalne. Jeśli wynik Cię nie satysfakcjonuje, stwórz nowy głos z lepszą próbką, zamiast używać tej samej – API i tak nie pozwala na zastąpienie audio istniejącego głosu, a upieranie się przy słabym nagraniu jedynie odwlecze problem.
Kluczowe wnioski
- Nagranie (MP3 lub WAV) może trwać od kilku sekund do kilku minut; celuj w co najmniej 10 do 20 sekund zróżnicowanej mowy
- Plik audio jest kodowany do formatu base64 przed wysłaniem do API
- Parametry
nameisample_audiosą wymagane; pozostałe są opcjonalne - Mistral Studio pozwala na nagrywanie bezpośrednio z przeglądarki
- Zawsze testuj swój głos natychmiast po jego utworzeniu