Salt la conținutul principal
Română— Alege o limbă
Meniu

Modelele TTS Voxtral

Lecția 2 din 14 Actualizată 3 noiembrie 2026 Dezvoltator
Pe această pagină
  1. Voxtral Mini TTS: Modelul de referință
  2. Specificații tehnice
  3. Voci profesionale pre-integrate
  4. Ponderi deschise: Opțiuni de auto-găzduire
  5. Utilizare prin API-ul Mistral
  6. Evoluția foii de parcurs
  7. Puncte cheie

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 retras la 30 aprilie 2027, este înlocuit în exemple prin voxtral-mini-tts-3-0. Vocile predefinite Voxtral 2 (gb_jane_neutral…) rămân suportate; Voxtral 3 adaugă etichetele [emotion=…] și [pace=…] în text, setarea expressiveness, pronunția personalizată (phoneme_hints) și 35 de limbi. Mistral recomandă re-măsurarea latenței după migrare. Surse: Migrate from Voxtral 2 · Speech generation.

Voxtral Mini TTS: Modelul de referință

Modelul de sinteză din familia Voxtral este Voxtral TTS 3, identificat în API ca voxtral-mini-tts-3-0 (alias voxtral-mini-tts-3). Acesta este slug-ul pe care îl veți scrie în fiecare apel API: memorați-l, deoarece este singurul șir de caractere din acest curs pe care trebuie să îl știți pe de rost. Modelul este conceput pentru a oferi un echilibru optim între calitatea vocii, latență și cost, ceea ce explică de ce acoperă aproape toate cazurile de utilizare profesionale de unul singur.

Voxtral Mini TTS este un model fundamental de voce. Această distincție nu este cosmetică: sistemele TTS mai vechi tăiau textul în foneme și le concatenaau dintr-o bancă de sunete, rezultând voci sacadate unde fiecare silabă părea independentă de cea precedentă. Voxtral, dimpotrivă, generează vorbirea înțelegând contextul semantic al textului. La o propoziție precum „He didn’t say that“, modelul știe unde să plaseze accentul deoarece a interpretat structura propoziției, producând o prozodie naturală cu o intonație consistentă de la început până la sfârșit.

Specificații tehnice

Modelul voxtral-mini-tts-3-0 prezintă următoarele specificații:

CaracteristicăValoare
Latența modeluluiAproximativ 90 de milisecunde înainte de primul sunet
Limbi35 de limbi și peste 50 de dialecte; voci predefinite în 22 de limbi
Clonarea vociiZero-shot, dintr-o înregistrare MP3 sau WAV cuprinsă între câteva secunde și câteva minute
Control34 de etichete de emoție, etichete de ritm, expressiveness, pronunție personalizată
Formate de ieșireMP3 (implicit), WAV, PCM, FLAC, Opus — mono, 24 kHz
StreamingSuportat în timp real
Preț la 3 noiembrie 202613 USD per milion de caractere

Aceste 90 de milisecunde merită o a doua analiză: aceasta este întârzierea înainte ca primul fragment audio să devină disponibil, nu durata totală de generare. Într-un asistent conversațional, această cifră specifică determină dacă schimbul pare natural sau laborios.

Voci profesionale pre-integrate

Pe lângă clonarea vocii, Mistral AI oferă o bibliotecă de voci profesionale gata de utilizare imediată. Aceste voci au fost înregistrate în studio și optimizate pentru diverse cazuri de utilizare. Ele oferă un serviciu inestimabil la începutul unui proiect: dacă doriți să verificați dacă pipeline-ul dumneavoastră funcționează înainte chiar de a organiza o sesiune de înregistrare cu actorul vocal ales, o voce pre-integrată vă permite să testați totul în aceeași zi.

În Mistral Studio, interfața web, puteți explora aceste voci și le puteți filtra după trei criterii: gen (masculin sau feminin), limba principală a vocii și emoția, adică tonul emoțional—neutru, entuziast, calm și așa mai departe. Fiecare este accesibilă prin voice_id-ul său în API, exact ca o voce pe care ați clonat-o dumneavoastră: codul dumneavoastră nu se schimbă nici măcar cu un rând când treceți de la vocea demo la vocea finală.

Ponderi deschise: Opțiuni de auto-găzduire

Generația anterioară, Voxtral TTS (voxtral-mini-tts-2603), a fost lansată cu ponderile sale—un model de 4 miliarde de parametri pe Hugging Face—sub licența CC BY-NC 4.0. Aceasta nu este o licență open source în sensul obișnuit: interzice utilizarea comercială. Permite experimentarea și prototiparea pe propria infrastructură fără ca niciun eșantion vocal să părăsească rețeaua dumneavoastră, dar un produs comercial trebuie să utilizeze API-ul sau să ajungă la un acord cu Mistral AI. Până în prezent, documentația Voxtral TTS 3 nu menționează nicio pondere deschisă.

Pentru organizațiile supuse constrângerilor de confidențialitate—cum ar fi un furnizor de servicii medicale sau o agenție guvernamentală—întrebarea se pune deci în două părți: este utilizarea comercială și acoperă modelul deschis limbile și calitatea necesare? Dacă nu, trebuie să examinați angajamentele contractuale ale API-ului (găzduire, retenția datelor).

Utilizare prin API-ul Mistral

Pentru a utiliza Voxtral Mini TTS prin API, trebuie mai întâi să inițializați clientul cu cheia dumneavoastră API:

from mistralai.client import Mistral

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

Modelul este apoi referențiat prin identificatorul său voxtral-mini-tts-3-0 în fiecare apel de generare. Veți vedea în lecțiile următoare cum să creați voci și să generați vorbire; acest obiect client va fi punctul de plecare pentru toate exemplele următoare.

Dacă preferați o abordare fără cod, Mistral Studio oferă o interfață grafică accesibilă la studio.mistral.ai. Acolo, puteți asculta vocile profesionale disponibile, vă puteți înregistra propria voce direct din browser, puteți testa generarea vocii cu texte diferite și puteți ajusta parametrii—limbă, emoție, format. Este instrumentul ideal de prototipare: validați în zece minute că o voce se potrivește proiectului, apoi treceți la cod odată ce decizia este luată.

Evoluția foii de parcurs

Mistral AI a anunțat că alte modele se vor alătura familiei Voxtral: modele mai ușoare pentru aplicații embedded și mobile, modele mai puternice pentru generarea expresivă a vocii și îmbunătățiri continue ale calității multilingve. Prin urmare, proiectați integrările izolând numele modelului într-o variabilă de configurare, în loc să îl împrăștiați în tot codul dumneavoastră—în ziua în care va sosi un succesor, migrarea va dura doar un rând. Până atunci, voxtral-mini-tts-3-0 rămâne referința și acoperă vasta majoritate a cazurilor de utilizare profesionale.

Puncte cheie

  • Modelul principal este voxtral-mini-tts-3-0, optimizat pentru calitate și latență
  • Vocile profesionale pre-integrate sunt disponibile pentru a începe fără un eșantion audio
  • Modelul anterior are ponderi deschise și poate fi auto-găzduit (non-comercial)
  • Mistral Studio oferă o interfață grafică pentru testare fără cod
  • API-ul Mistral și SDK-ul Python sunt punctele de intrare pentru integrare