Modelos TTS Voxtral
Nesta página
Curso atualizado a 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: o modelo
voxtral-mini-tts-2603, descontinuado a 31 de outubro de 2026 e retirado a 30 de abril de 2027, é substituído nos exemplos porvoxtral-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 definiçãoexpressiveness, a pronúncia personalizada (phoneme_hints) e suporte para 35 idiomas. A Mistral recomenda voltar a medir a latência após a migração. Fontes: Migrate from Voxtral 2 · Speech generation.
Voxtral Mini TTS: O Modelo de Referência
O modelo de síntese da família Voxtral é o Voxtral TTS 3, identificado na API como voxtral-mini-tts-3-0 (alias voxtral-mini-tts-3). Este é o identificador que deve utilizar em todas as chamadas à API: memorize-o, pois é a única cadeia de caracteres neste curso que precisa de saber de cor. O modelo foi concebido para oferecer um equilíbrio ótimo entre qualidade de voz, latência e custo, o que explica por si só cobrir quase todos os casos de uso profissionais.
O Voxtral Mini TTS é um modelo fundamental de voz. Esta distinção não é cosmética: os sistemas TTS mais antigos dividiam o texto em fonemas e concatenavam-nos a partir de um banco de sons, resultando em vozes entrecortadas onde cada sílaba parecia independente da anterior. O Voxtral, pelo contrário, gera fala compreendendo o contexto semântico do texto. Numa frase como “He didn’t say that”, o modelo sabe onde colocar a ênfase porque interpretou a estrutura da frase, produzindo uma prosódia natural com uma entonação consistente do início ao fim.
Especificações Técnicas
O modelo voxtral-mini-tts-3-0 apresenta as seguintes especificações:
| Funcionalidade | Valor |
|---|---|
| Latência do Modelo | Aproximadamente 90 milissegundos antes do primeiro som |
| Idiomas | 35 idiomas e mais de 50 dialetos; vozes predefinidas em 22 idiomas |
| Clonagem de Voz | Zero-shot, a partir de uma gravação MP3 ou WAV de alguns segundos a alguns minutos |
| Controlo | 34 etiquetas de emoção, etiquetas de ritmo, expressiveness, pronúncia personalizada |
| Formatos de Saída | MP3 (padrão), WAV, PCM, FLAC, Opus — mono, 24 kHz |
| Streaming | Suportado em tempo real |
| Preço a 3 de novembro de 2026 | 13 USD por milhão de carateres |
Esses 90 milissegundos merecem uma segunda reflexão: este é o atraso antes de o primeiro fragmento de áudio ficar disponível, e não a duração total da geração. Num assistente conversacional, este valor específico determina se a troca soa natural ou laboriosa.
Vozes Profissionais Pré-integradas
Para além da clonagem de voz, a Mistral AI oferece uma biblioteca de vozes profissionais prontas para uso imediato. Estas vozes foram gravadas em estúdio e otimizadas para diversos casos de uso. Prestam um serviço inestimável no início de um projeto: se quiser verificar se o seu pipeline funciona antes mesmo de organizar uma sessão de gravação com o seu ator de voz escolhido, uma voz pré-integrada permite-lhe testar tudo no mesmo dia.
No Mistral Studio, a interface web, pode explorar estas vozes e filtrá-las por três critérios: género (masculino ou feminino), o idioma principal da voz e emoção, ou seja, o tom emocional — neutro, entusiasta, calmo, etc. Cada uma é acessível através do seu voice_id na API, exatamente como uma voz que clonou você mesmo: o seu código não muda uma única linha quando alterna entre a voz de demonstração e a voz final.
Pesos Abertos: Opções de Autoalojamento
A geração anterior, Voxtral TTS (voxtral-mini-tts-2603), foi lançada com os seus pesos — um modelo de 4 mil milhões de parâmetros no Hugging Face — sob a licença CC BY-NC 4.0. Esta não é uma licença de código aberto no sentido habitual: proíbe o uso comercial. Permite a experimentação e a criação de protótipos na sua própria infraestrutura sem que nenhuma amostra de voz saia da sua rede, mas um produto comercial deve utilizar a API ou chegar a um acordo com a Mistral AI. Até à data, a documentação do Voxtral TTS 3 não menciona quaisquer pesos abertos.
Para organizações sujeitas a restrições de confidencialidade — como um prestador de cuidados de saúde ou uma agência governamental —, a questão coloca-se, portanto, em duas partes: o uso é comercial e o modelo aberto cobre os idiomas e a qualidade necessários? Se não, deve examinar os compromissos contratuais da API (alojamento, retenção de dados).
Utilização via API Mistral
Para utilizar o Voxtral Mini TTS através da API, deve primeiro inicializar o cliente com a sua chave de API:
from mistralai.client import Mistral
client = Mistral(api_key="your-api-key")
O modelo é então referenciado pelo seu identificador voxtral-mini-tts-3-0 em cada chamada de geração. Nas próximas lições, verá como criar vozes e gerar fala; este objeto client será o ponto de partida para todos os exemplos seguintes.
Se preferir uma abordagem sem código, o Mistral Studio oferece uma interface gráfica acessível em studio.mistral.ai. Aí, pode ouvir as vozes profissionais disponíveis, gravar a sua própria voz diretamente no navegador, testar a geração de voz com diferentes textos e ajustar parâmetros — idioma, emoção, formato. É a ferramenta de prototipagem ideal: valide em dez minutos se uma voz se adequa ao projeto e, depois de tomada a decisão, passe para o código.
Evolução do Roadmap
A Mistral AI anunciou que outros modelos se juntarão à família Voxtral: modelos mais leves para aplicações incorporadas e móveis, modelos mais potentes para geração de voz expressiva e melhorias contínuas na qualidade multilingue. Por isso, conceba as suas integrações isolando o nome do modelo numa variável de configuração, em vez de o espalhar por todo o seu código; no dia em que chegar um sucessor, a migração levará apenas uma linha. Até lá, o voxtral-mini-tts-3-0 permanece a referência e cobre a vasta maioria dos casos de uso profissionais.
Pontos-chave
- O modelo principal é o
voxtral-mini-tts-3-0, otimizado para qualidade e latência - Estão disponíveis vozes profissionais pré-integradas para começar sem necessidade de uma amostra de áudio
- O modelo anterior tem pesos abertos e pode ser autoalojado (uso não comercial)
- O Mistral Studio oferece uma interface gráfica para testes sem código
- A API Mistral e o SDK Python são os pontos de entrada para integração