Formate audio
Pe această pagină
Curs actualizat la 3 noiembrie 2026 pentru Voxtral TTS 3, pe baza ghidului Migrate from Voxtral 2 și a paginilor Mistral Text to Speech:
voxtral-mini-tts-2603, depreciat la 31 octombrie 2026 și eliminat la 30 aprilie 2027, este înlocuit în exemple prinvoxtral-mini-tts-3-0. Vocile predefinite Voxtral 2 (gb_jane_neutral…) rămân acceptate; Voxtral 3 adaugă etichetele[emotion=…]și[pace=…]în text, setareaexpressiveness, pronunția personalizată (phoneme_hints) și 35 de limbi. Mistral recomandă re-măsurarea latenței după migrare. Surse: Migrate from Voxtral 2 · Speech generation.
Alegerea formatului de ieșire potrivit
Parametrul response_format acceptă cinci valori. Această alegere aparent simplă contează mult mai mult decât pare: ea determină calitatea audio, dimensiunea fișierelor pe care le stocați, latența percepută de utilizatorii dumneavoastră și compatibilitatea cu playerele acestora. Un podcast livrat în PCM va fi imposibil de redat pentru jumătate din public; un agent vocal în MP3 va întârzia cu două secunde după fiecare răspuns. Tabelul de mai jos oferă o imagine de ansamblu, iar restul acestei lecții explică când să utilizați fiecare format.
| Format | Compresie | Calitate | Latență streaming | Caz de utilizare principal |
|---|---|---|---|---|
| MP3 | Cu pierderi (Lossy) | Bună | ~2 secunde | Uz general, fișiere |
| WAV | Niciuna (PCM) | Maximă | Medie | Post-producție, cărți audio |
| PCM | Niciuna (raw) | Maximă | ~0,7 secunde | Streaming în timp real |
| FLAC | Fără pierderi (Lossless) | Maximă | Medie | Arhivare, calitate profesională |
| Opus | Cu pierderi (Lossy) | Foarte bună | Scăzută | Streaming, VoIP, lățime de bandă limitată |
Latențele din acest tabel sunt ordine de mărime aproximative măsurate cu Voxtral 2; re-măsurați-le cu Voxtral TTS 3, care produce audio mono la 24 kHz în toate cazurile.
MP3: Standardul universal
MP3 rămâne cel mai răspândit format: fiecare browser, telefon și player îl citește nativ, iar acesta include metadatele ID3 necesare platformelor de podcasturi. Compresia sa este cu pierderi, deci calitatea este ușor inferioară față de WAV, dar diferența este rareori audibilă pentru vorbire. Dezavantajul său real se află însă elsewhere: în streaming, codec-ul trebuie să acumuleze date înainte de a produce primul cadru, întârziind primul sunet cu aproximativ două secunde. Alegeți acest format pentru fișiere descărcabile, podcasturi sau integrare web standard—niciodată pentru uz conversațional.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Un fișier MP3 pentru uz standard.",
voice_id=voice_id,
response_format="mp3",
)
WAV: Calitate maximă
WAV conține audio PCM necomprimat, oferind cea mai bună calitate posibilă, fără nicio pierdere. Deoarece nu există nimic de decodat și editorii audio recunosc universal acest format, el reprezintă punctul de plecare natural pentru orice lanț de post-producție: editați, egalizați și comprimați, apoi exportați în formatul de distribuție dorit. Compromisul îl constituie dimensiunea fișierului—de aproximativ zece ori mai mare decât un MP3—și cerințele corespunzătoare de lățime de bandă.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Un fișier WAV pentru cea mai bună calitate.",
voice_id=voice_id,
response_format="wav",
)
Rezervați-l pentru cărți audio de calitate de studio, arhivare și orice intenționați să editați ulterior.
PCM: Formatul pentru timp real
PCM (Modulația Codului în Impulsuri) este audio brut Float32 Little-Endian, fără antet sau encapsulare. Această simplitate este atât punctul său forte, cât și slăbiciunea sa. Punctul forte: nimic de codat sau decodat, primul sunet sosește în aproximativ 0,7 secunde, iar octeții recepționați se scriu direct pe placa de sunet. Slăbiciunea: fără un antet, trebuie să cunoașteți și să transmiteți dumneavoastră rata de eșantionare și formatul—motiv pentru care exemplul pyaudio din Lecția 10 a declarat explicit paFloat32, un canal și 24.000 Hz. Fișierele sunt, de asemenea, foarte mari, iar niciun player consumer nu le deschide direct.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="PCM brut pentru streaming.",
voice_id=voice_id,
response_format="pcm",
)
Acesta este formatul pentru asistenții vocali în timp real, agenții conversaționali și aplicațiile WebRTC.
FLAC: Compresie fără pierderi
FLAC reduce dimensiunea fișierului cu 50% până la 60% fără a atinge niciun eșantion: calitatea este riguros identică cu cea a WAV, iar metadatele sunt păstrate. În practică, acesta este formatul dumneavoastră de arhivare: stocați masteratele în FLAC și veți putea regenera un MP3 sau Opus ani mai târziu fără a suferi dubla compresie care degradează audio. Necesită totuși un decoder, ceea ce îl face mai puțin universal decât MP3.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="FLAC pentru arhivare fără pierderi.",
voice_id=voice_id,
response_format="flac",
)
Opus: Compromisul modern
Opus este un codec conceput pentru comunicații în timp real, oferind o calitate excelentă la rate de biți foarte mici. Pe o aplicație mobilă care rulează pe o rețea 4G degradată, acesta livrează o voce clară acolo unde WAV ar satura conexiunea, cu o latență de streaming scăzută—mai mare decât PCM, dar mult mai mică decât MP3. Compatibilitatea este însă inegală: nu toate playerele îl suportă nativ, iar unele necesită un container OGG.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Opus pentru streaming eficient.",
voice_id=voice_id,
response_format="opus",
)
Aceasta este alegerea pentru VoIP, streaming cu lățime de bandă limitată și aplicații mobile.
Decizia într-un minut
În fața unui nou proiect, decideți în această ordine. Dacă realizați streaming în timp real, alegeți PCM pentru latență minimă sau Opus dacă lățimea de bandă contează la fel de mult ca reactivitatea. În caz contrar, întrebați-vă unde va fi redat fișierul: într-un browser, MP3 garantează compatibilitatea maximă. Dacă trebuie editat ulterior, WAV vă oferă materialul cel mai ușor de manipulat. Dacă trebuie arhivat fără a pierde niciun decibel, FLAC comprimă fără a sacrifica nimic. Iar dacă constrângerea dominantă este o rețea lentă, Opus oferă cel mai bun raport calitate-dimensiune.
Puncte cheie
- MP3 este alegerea implicită pentru compatibilitate universală
- PCM oferă cea mai scăzută latență pentru streaming în timp real (~0,7s)
- WAV oferă cea mai bună calitate necomprimată, ideală pentru post-producție
- FLAC comprimă fără pierderi—aceeași calitate ca WAV, fișiere mai mici
- Opus este cel mai bun compromis calitate-dimensiune pentru aplicațiile de rețea