Crearea unei voci personalizate
Pe această pagină
Curs actualizat la 3 noiembrie 2026 pentru Voxtral TTS 3, pe baza ghidului Migrate from Voxtral 2 și a paginilor Mistral despre Text to Speech:
voxtral-mini-tts-2603, depreciat la 31 octombrie 2026 și retras la 30 aprilie 2027, este înlocuit în exemple prinvoxtral-mini-tts-3-0. Vocile predefinite din 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.
De la înregistrare la voce clonată
Crearea unei voci personalizate cu Voxtral se rezumă la doi pași: pregătirea unui eșantion audio de înaltă calitate, urmată de trimiterea acestuia către API cu parametrii potriviți. Al doilea pas durează zece minute; primul merită mai multă atenție, deoarece determină rezultatul final. Această lecție vă ghidează pas cu pas în crearea primei dumneavoastră voci.
Pregătirea eșantionului audio
Eșantionul audio reprezintă fundamentul vocii dumneavoastră: calitatea sa determină direct calitatea vorbirii sintetizate. Modelul nu corectează nimic; el reproduce exact ceea ce aude.
Odată cu Voxtral TTS 3, documentația solicită o înregistrare MP3 sau WAV cu o durată cuprinsă între câteva secunde și câteva minute (Voxtral 2 accepta între 3 și 30 de secunde). În practică, se disting trei regimuri. Între 3 și 10 secunde, modelul captează timbrul de bază, dar cu mai puține nuanțe: vocea va fi recognoscibilă, fără a fi cu adevărat reală. Între 10 și 20 de secunde, obțineți un compromis bun între calitate și simplitate, suficient pentru majoritatea proiectelor. Peste 20 de secunde, oferiți modelului material suficient pentru a înțelege subtilitățile—ritmul, intonația, acele micro-variații care permit unui prieten să vă recunoască din doar două cuvinte.
Întrebarea rămasă este ce anume să spuneți, o problemă care blochează mai multe persoane decât v-ați aștepta în momentul în care trebuie să apăsați butonul de înregistrare. Iată un script de referință recomandat de Mistral:
„Înregistrez un eșantion audio pentru a-mi clona vocea. Odată finalizat, voi putea genera vorbire care sună exact ca mine. Este incredibil cum IA poate captura modul meu de a vorbi, tonul, ritmul și chiar micile particularități care îmi fac vocea unică.”
Acest text nu este arbitrar: este conceput pentru a acoperi o varietate de sunete și intonații în limba engleză, cu vocale deschise și închise, consoane plosive și o propoziție exclamativă. În ceea ce privește fișierul, API-ul acceptă formate comune—MP3, WAV, FLAC, OGG—iar fișierul este codificat în base64 înainte de trimitere.
Cod Python complet
Iată codul necesar pentru a crea o voce utilizând toți parametrii disponibili:
import base64
from pathlib import Path
from mistralai.client import Mistral
client = Mistral(api_key="your-api-key")
# Citirea și codificarea eșantionului audio
audio_path = Path("my-sample.mp3")
sample_audio_b64 = base64.b64encode(audio_path.read_bytes()).decode()
# Crearea vocii cu toți parametrii
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}")
Doar doi parametri sunt obligatorii:
name: numele afișat al vocii dumneavoastră. Alegeți un nume descriptiv care să vă permită identificarea ușoară (de exemplu,support-assistant-en,podcast-intro)sample_audio: eșantionul audio codificat în base64. Acesta este singurul parametru care nu poate fi modificat după creare
Ceilalți parametri sunt opționali, dar fiecare servește unui scop concret:
sample_filename: numele original al fișierului. Ajută API-ul să detecteze formatul audioslug: un identificator compatibil cu URL-urile. Dacă este omis, este generat automat din numelanguages: un tablou de coduri ISO ale limbilor (de exemplu,["en", "fr", "es"]). Indică limbile pentru care această voce este optimizatăgender:"male"sau"female". Utilizat pentru filtrare în interfațăage: un număr întreg reprezentând vârsta aproximativă a vorbitorului. Ajută la categorisirea vociitags: un tablou de șiruri de caractere libere pentru organizarea vocilor dumneavoastră (de exemplu,["commercial", "dynamic"])
Într-un proiect cu o singură voce, ați putea fi tentat să omiteți totul. În cazul unui catalog de treizeci de voci distribuite pe mai mulți clienți, etichetele și limbile specificate la creare vă vor economisi ore întregi de sortare.
Înregistrarea direct din browser
Dacă preferați să nu manipulați fișiere audio, Mistral Studio vă permite să înregistrați direct din browserul dumneavoastră:
- Accesați secțiunea Audio > Text to Speech
- Faceți clic pe My Voices, apoi pe Add a new voice
- Introduceți numele vocii dumneavoastră
- Apăsați butonul de înregistrare și vorbiți timp de 10 până la 30 de secunde
- Confirmați—vocea dumneavoastră este disponibilă imediat
Această metodă funcționează perfect pentru teste rapide sau atunci când persoana care își împrumută vocea nu este cea care scrie codul—un actor sau un director executiv va fi mai dispus să efectueze exercițiul într-un browser decât într-un terminal.
Verificarea vocii dumneavoastră
Nu treceți niciodată mai departe fără a asculta rezultatul. Imediat ce crearea este finalizată, generați o propoziție de test:
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!")
Ascultați rezultatul folosind căști, nu difuzoarele laptopului: defectele de timbru sunt inaudibile în acest din urmă caz. Dacă rezultatul nu vă satisface, creați o nouă voce cu un eșantion mai bun, în loc să îl reutilizați pe cel existent—oricum, API-ul nu permite înlocuirea audio-ului unei voci existente, iar insistența asupra unei înregistrări slabe nu va face decât să amâne problema.
Puncte cheie
- Înregistrarea (MP3 sau WAV) poate dura de la câteva secunde la câteva minute; vizați cel puțin 10 până la 20 de secunde de vorbire variată
- Fișierul audio este codificat în base64 înainte de trimiterea către API
- Parametrii
nameșisample_audiosunt obligatorii; ceilalți sunt opționali - Mistral Studio vă permite să înregistrați direct din browser
- Testați întotdeauna vocea imediat după creare