Salt la conținutul principal
Română— Alege o limbă
Meniu

Génération de base de la parole

Lecția 8 din 14 Actualizată 3 noiembrie 2026 Dezvoltator
Pe această pagină
  1. Votre première génération de voix
  2. Contrôle de chaque paramètre
  3. Passage à l’échelle : un chapitre de livre audio
  4. Gestion des échecs de génération
  5. Puncte cheie

Cours mis à jour le 3 novembre 2026 pour Voxtral TTS 3, sur la base du guide Migrate from Voxtral 2 et des pages Text to Speech de Mistral : voxtral-mini-tts-2603, déprécié le 31 octobre 2026 et retiré le 30 avril 2027, est remplacé dans les exemples par voxtral-mini-tts-3-0. Les voix prédéfinies Voxtral 2 (gb_jane_neutral…) restent acceptées ; Voxtral 3 ajoute les balises [emotion=…] et [pace=…] dans le texte, le paramètre expressiveness, la prononciation personnalisée (phoneme_hints) et prend en charge 35 langues. Mistral recommande de remesurer la latence après la migration. Sources : Migrate from Voxtral 2 · Speech generation.

Votre première génération de voix

Vous savez désormais créer une voix et la gérer via l’API Voices. L’étape finale consiste à réaliser l’objectif de tout ce travail : produire de l’audio. L’API Speech de Mistral se résume à un seul appel, client.audio.speech.complete(), qui prend du texte et un identifiant de voix pour retourner de l’audio encodé en base64. Cette leçon couvre la génération de base avec une voix enregistrée ; le clonage à la volée et le streaming seront abordés ensuite.

Le code ci-dessous est tout ce dont vous avez besoin pour transformer une phrase en fichier MP3 sur votre disque. Portez une attention particulière à la dernière étape : la réponse ne contient pas d’octets audio bruts utilisables directement, mais une chaîne base64 que vous devez décoder avant d’écrire le fichier. C’est l’erreur classique du débutant : enregistrer la chaîne telle quelle empêche les lecteurs audio d’ouvrir le fichier.

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

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

# Generate speech with a saved voice
response = client.audio.speech.complete(
    model="voxtral-mini-tts-3-0",
    input="Hello and welcome to this course on Voxtral TTS.",
    voice_id="your-voice-id",
    response_format="mp3",
)

# Decode base64 and save to file
audio_bytes = base64.b64decode(response.audio_data)
Path("output.mp3").write_bytes(audio_bytes)
print(f"Audio generated: {len(audio_bytes)} bytes")

Contrôle de chaque paramètre

Le paramètre model spécifie le modèle de synthèse. À ce jour, voxtral-mini-tts-3-0 est le seul disponible, mais il est impératif de le spécifier explicitement : lorsque d’autres modèles apparaîtront, votre code continuera de produire exactement la même voix qu’aujourd’hui.

input reçoit le texte à prononcer et c’est de loin le paramètre nécessitant le plus d’attention. La documentation de Voxtral 2 conseillait de rester sous la barre des 300 mots par requête ; la documentation de Voxtral TTS 3 ne fixe plus de limite, mais les demandes d’un seul paragraphe restent plus faciles à contrôler et à rejouer. Évitez les émojis, que le modèle ne peut pas interpréter, ainsi que le formatage complexe (Markdown, HTML, caractères spéciaux) qui serait lu mot pour mot. Enfin, épellez les nombres et les abréviations : « vingt-trois » plutôt que « 23 », « Société à responsabilité limitée » plutôt que « SARL ». Un agent vocal qui trébuche sur les chiffres lors de l’annonce d’un montant perd toute crédibilité en une phrase.

voice_id identifie la voix utilisée. Vous pouvez l’obtenir de trois manières : en créant une voix avec client.audio.voices.create() (voir leçon 5), en listant vos voix existantes avec client.audio.voices.list(), ou en réutilisant l’ID d’une voix professionnelle Mistral. Enfin, response_format définit le format de sortie parmi mp3, wav, pcm, flac et opus. Ce choix affecte à la fois la taille du fichier et la latence ; la leçon 12 y est entièrement consacrée.

Passage à l’échelle : un chapitre de livre audio

Pour des textes légèrement plus longs, la segmentation reste la meilleure pratique. Le principe est simple : préparez une liste de paragraphes, générez chacun séparément, puis accumulez les octets décodés dans un tampon unique avant d’écrire le fichier final.

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

client = Mistral(api_key="your-api-key")
voice_id = "your-voice-id"

# Text split into paragraphs
paragraphs = [
    "First paragraph of the chapter. The narrator introduces the context.",
    "Second paragraph. The action begins to develop.",
    "Third paragraph. Suspense builds gradually.",
]

full_audio = b""

for i, text in enumerate(paragraphs):
    print(f"Generating segment {i + 1}/{len(paragraphs)}...")
    response = client.audio.speech.complete(
        model="voxtral-mini-tts-3-0",
        input=text,
        voice_id=voice_id,
        response_format="wav",
    )
    full_audio += base64.b64decode(response.audio_data)

Path("chapter-01.wav").write_bytes(full_audio)
print("Audio chapter generated successfully!")

Ce script fonctionne car il produit du WAV, un format non compressé dont les segments se concatènent bout à bout sans traitement spécial. Essayez la même chose avec du MP3 ou de l’Opus et le résultat sera inutilisable : ces formats compressés contiennent des en-têtes et des structures de trames qu’une concaténation brute brise. Utilisez plutôt une bibliothèque comme pydub, qui décode chaque segment avant de les fusionner proprement.

Gestion des échecs de génération

En production, vous devez protéger l’appel. Un voice_id supprimé hier par un collègue, un texte qui s’allonge silencieusement suite à une concaténation de champs, un quota d’API épuisé en fin de mois, un format de sortie mal orthographié : chacune de ces situations lève une exception et, sans garde-fous, votre traitement par lots s’arrêtera au milieu du corpus.

try:
    response = client.audio.speech.complete(
        model="voxtral-mini-tts-3-0",
        input="Text to convert to speech.",
        voice_id=voice_id,
        response_format="mp3",
    )
    audio_bytes = base64.b64decode(response.audio_data)
    Path("output.mp3").write_bytes(audio_bytes)
except Exception as e:
    print(f"Error during generation: {e}")

Prenez le temps de tester ce chemin d’erreur avant la mise en production : générez délibérément avec un voice_id factice et vérifiez que votre application le signale clairement plutôt que de produire un fichier vide.

Puncte cheie

  • La génération utilise client.audio.speech.complete() avec le modèle voxtral-mini-tts-3-0
  • Divisez les longs textes en paragraphes et évitez les émojis ainsi que le formatage
  • Épellez les nombres et les abréviations pour une prononciation correcte
  • L’audio retourné est en base64 : décodez-le avant de l’enregistrer
  • Pour les longs textes, découpez en segments et concaténez les résultats