Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Introdução ao Voxtral TTS

Aula 1 de 14 Atualizada a 3 de novembro de 2026 Programador
Nesta página
  1. A síntese de voz entra numa nova era
  2. O que é a clonagem zero-shot?
  3. Por que razão o Voxtral muda as regras do jogo
  4. O que vai aprender
  5. Pontos-chave

Curso atualizado em 3 de novembro de 2026 para o Voxtral TTS 3, com base no guia Migrate from Voxtral 2 e nas páginas Text to Speech da Mistral: voxtral-mini-tts-2603, descontinuado em 31 de outubro de 2026 e retirado em 30 de abril de 2027, é substituído nos exemplos por voxtral-mini-tts-3-0. As vozes predefinidas do Voxtral 2 (gb_jane_neutral…) continuam suportadas; o Voxtral 3 adiciona as etiquetas [emotion=…] e [pace=…] no texto, a definição expressiveness, a pronúncia personalizada (phoneme_hints) e 35 idiomas. A Mistral recomenda voltar a medir a latência após a migração. Fontes: Migrate from Voxtral 2 · Speech generation.

A síntese de voz entra numa nova era

Em março de 2026, a Mistral AI lançou o Voxtral TTS, um motor de síntese de voz que ultrapassa os limites do que era anteriormente possível. Para compreender este salto, recorde o que a geração anterior exigia: para obter uma voz convincente, era necessário levar um ator de voz a um estúdio, gravar horas de leitura e, depois, treinar um modelo com esse corpus. O Voxtral adota uma abordagem diferente com a clonagem de voz zero-shot: bastam alguns segundos de áudio para capturar o timbre, o ritmo e as nuances de uma voz.

Este avanço assenta num modelo de fundação especificamente treinado para geração de voz. O Voxtral não se limita a reproduzir fonemas; compreende a prosódia, as emoções e as subtilidades linguísticas em 35 idiomas e mais de 50 dialetos com o Voxtral TTS 3, incluindo o francês (a geração anterior cobria apenas 9). Consegue ouvir a diferença numa frase interrogativa ou num aparte: onde um sistema antigo recitaria de forma monótona, o Voxtral coloca o acento corretamente porque lê toda a frase antes de a pronunciar.

~90 ms
Latência do Modelo
9
Idiomas Suportados
Zero-shot
Clonagem de Voz
Código Aberto
Modelo Disponível

O que é a clonagem zero-shot?

O termo zero-shot significa que o modelo não precisa de ser retreinado para reproduzir uma nova voz. Fornece uma gravação com duração de alguns segundos a alguns minutos, em formato MP3 ou WAV, e o Voxtral captura automaticamente as características vocais: timbre, entoação, ritmo e sotaque. Não há fase de treino, nenhum custo computacional extra nem período de espera; a amostra é analisada no momento do pedido.

Considere um gestor de formação que precisa de dar voz a um módulo de e-learning. Grava vinte segundos com um auricular, cria a sua voz personalizada e obtém imediatamente um narrador com o seu som. Pode também clonar esta voz em tempo real diretamente num pedido à API, sem sequer a guardar, se a necessidade for pontual. E quando o módulo precisa de ser produzido em inglês e espanhol, a mesma voz mantém a sua identidade entre idiomas: o ouvinte reconhece a pessoa, e não três narradores diferentes.

Por que razão o Voxtral muda as regras do jogo

As soluções tradicionais de TTS — Google Cloud TTS, Amazon Polly, Azure Speech — oferecem vozes pré-gravadas de qualidade variável que tem de aceitar tal como estão. Soluções mais recentes como o ElevenLabs oferecem clonagem de voz, mas permanecem proprietárias e dispendiosas: aluga o acesso sem nunca controlar o motor.

O Voxtral destaca-se em três frentes que se reforçam mutuamente. A geração anterior, Voxtral TTS, foi lançada com os seus pesos sob a licença CC BY-NC 4.0: pode ser alojada na sua própria infraestrutura para uso não comercial, o que é relevante para um serviço público ou uma instituição de saúde que não pode permitir que as vozes dos seus colaboradores saiam das suas instalações. A Mistral API fornece também um acesso simples através do SDK Python, com gestão de vozes, streaming e múltiplos formatos de áudio, permitindo-lhe criar protótipos em poucas linhas antes de considerar o alojamento próprio. Por fim, o suporte multilingue é nativo: ao contrário de soluções que adicionam idiomas como uma sobreposição, o Voxtral foi treinado para muitos idiomas — 35 com o Voxtral TTS 3 — com transições naturais entre eles; um nome próprio inglês numa frase francesa já não provoca a rutura tonal característica dos motores antigos.

O que vai aprender

Este curso guia-o através de todas as funcionalidades do Voxtral TTS. Começará por compreender a arquitetura e os modelos disponíveis, depois aprenderá a criar e gerir vozes personalizadas através da API. Em seguida, irá gerar voz em tempo real com streaming antes de abordar a otimização da latência e a escolha do formato de áudio adequado. A jornada conclui-se com a construção de um pipeline de voz completo, desde o reconhecimento de fala até à síntese via LLM (STT → LLM → TTS).

Quanto aos pré-requisitos, precisará de ter o Python 3.10+ (o mínimo exigido pelo Mistral SDK desde a versão 2.0) instalado na sua máquina, uma conta Mistral AI com uma chave de API e o Mistral Python SDK obtido via pip install mistralai. Conhecimentos básicos de Python — variáveis, funções, bibliotecas — são suficientes: nenhum código neste curso excede trinta linhas.

Pontos-chave

  • O Voxtral TTS é o motor de síntese de voz da Mistral AI, lançado em março de 2026
  • A clonagem zero-shot reproduz uma voz a partir de uma gravação MP3 ou WAV com duração de alguns segundos a alguns minutos
  • O Voxtral TTS 3 cobre 35 idiomas e mais de 50 dialetos, com aproximadamente 90 ms antes do primeiro som
  • Os pesos da geração anterior são publicados sob a licença CC BY-NC 4.0 (uso não comercial)
  • A Mistral API fornece um SDK Python completo para gestão de vozes e geração de fala