Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Criar uma Voz Personalizada

Aula 5 de 14 Atualizada a 3 de novembro de 2026 Programador
Nesta página
  1. Da Gravação à Voz Clonada
  2. Prepare a Sua Amostra de Áudio
  3. Código Python Completo
  4. Gravar a Partir do Navegador
  5. Verifique a Sua Voz
  6. Pontos-chave

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: voxtral-mini-tts-2603, descontinuado a 31 de outubro de 2026 e retirado a 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 a ser aceites; 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.

Da Gravação à Voz Clonada

Criar uma voz personalizada com o Voxtral resume-se a dois passos: preparar uma amostra de áudio de alta qualidade e, em seguida, enviá-la para a API com os parâmetros corretos. O segundo passo demora dez minutos; o primeiro merece mais atenção, pois determina o resultado final. Esta lição guia-o na criação da sua primeira voz.

Prepare a Sua Amostra de Áudio

A amostra de áudio é a base da sua voz: a sua qualidade determina diretamente a qualidade da fala sintetizada. O modelo não corrige nada; reproduz exatamente o que ouve.

Com o Voxtral TTS 3, a documentação solicita uma gravação em MP3 ou WAV com duração de alguns segundos a alguns minutos (o Voxtral 2 aceitava entre 3 e 30 segundos). Na prática, destacam-se três regimes. Entre 3 e 10 segundos, o modelo capta o timbre básico, mas com menos nuances: a voz será reconhecível, sem ser verdadeiramente realista. Entre 10 e 20 segundos, obtém-se um bom compromisso entre qualidade e simplicidade, suficiente para a maioria dos projetos. Acima de 20 segundos, fornece ao modelo material suficiente para captar subtilidades — ritmo, entoação, aquelas microvariações que permitem a um amigo reconhecê-lo em duas palavras.

Resta a questão do que dizer, um problema que bloqueia mais pessoas do que imagina na hora de gravar. Eis um guião de referência recomendado pela Mistral:

“I am recording an audio sample to clone my voice. Once finished, I will be able to generate speech that sounds like me. It is incredible how AI can capture my way of speaking, my tone, my rhythm, and even the small quirks that make my voice unique.”

Este texto não é arbitrário: foi concebido para cobrir uma variedade de sons e entoações em inglês, com vogais abertas e fechadas, consoantes plosivas e uma frase exclamativa. Quanto ao ficheiro, a API aceita formatos comuns — MP3, WAV, FLAC, OGG — e o ficheiro é codificado em base64 antes do envio.

Código Python Completo

Eis o código para criar uma voz com todos os parâmetros disponíveis:

import base64
from pathlib import Path
from mistralai.client import Mistral

client = Mistral(api_key="your-api-key")

# Read and encode the audio sample
audio_path = Path("my-sample.mp3")
sample_audio_b64 = base64.b64encode(audio_path.read_bytes()).decode()

# Create the voice with all parameters
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}")

Apenas dois parâmetros são obrigatórios:

  • name: o nome de exibição da sua voz. Escolha um nome descritivo que lhe permita identificá-la facilmente (ex.: support-assistant-en, podcast-intro)
  • sample_audio: a amostra de áudio codificada em base64. Este é o único parâmetro que não pode ser modificado após a criação

Os restantes são opcionais, mas cada um serve um propósito concreto:

  • sample_filename: o nome original do ficheiro. Ajuda a API a detetar o formato de áudio
  • slug: um identificador amigável para URLs. Se omitido, é gerado automaticamente a partir do nome
  • languages: um array de códigos de idioma ISO (ex.: ["en", "fr", "es"]). Indica os idiomas para os quais esta voz está otimizada
  • gender: "male" ou "female". Utilizado para filtragem na interface
  • age: um inteiro que representa a idade aproximada do locutor. Ajuda a categorizar a voz
  • tags: um array de cadeias de caracteres livres para organizar as suas vozes (ex.: ["commercial", "dynamic"])

Num projeto com uma única voz, poderá sentir-se tentado a omitir tudo. Num catálogo de trinta vozes distribuídas por vários clientes, as etiquetas e os idiomas especificados na criação poupar-lhe-ão horas de triagem.

Gravar a Partir do Navegador

Se preferir não lidar com ficheiros de áudio, o Mistral Studio permite gravar diretamente no seu navegador:

  1. Aceda à secção Audio > Text to Speech
  2. Clique em My Voices e depois em Add a new voice
  3. Introduza o nome da sua voz
  4. Clique no botão de gravação e fale durante 10 a 30 segundos
  5. Confirme — a sua voz fica imediatamente disponível

Este método funciona perfeitamente para testes rápidos ou quando a pessoa que empresta a voz não é quem escreve o código — um ator ou um executivo estará mais disposto a realizar o exercício num navegador do que num terminal.

Verifique a Sua Voz

Nunca avance sem ouvir o resultado. Assim que a criação estiver concluída, gere uma frase de teste:

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!")

Ouça com auscultadores, não com os altifalantes do portátil: os defeitos de timbre são inaudíveis nestes últimos. Se o resultado não o satisfizer, crie uma nova voz com uma amostra melhor em vez de reutilizar a mesma — a API não permite substituir o áudio de uma voz existente e, de qualquer forma, insistir numa gravação fraca apenas adiará o problema.

Pontos-chave

  • A gravação (MP3 ou WAV) pode durar de alguns segundos a alguns minutos; procure pelo menos 10 a 20 segundos de fala variada
  • O ficheiro de áudio é codificado em base64 antes de ser enviado para a API
  • Os parâmetros name e sample_audio são obrigatórios; os restantes são opcionais
  • O Mistral Studio permite gravar diretamente no navegador
  • Teste sempre a sua voz imediatamente após a criação