Úvod do Voxtral TTS
Na tejto strane
Kurz aktualizovaný 3. novembra 2026 pre Voxtral TTS 3, na základe sprievodcu Migrácia z Voxtral 2 a stránok Mistral Text to Speech:
voxtral-mini-tts-2603, zastaraný 31. októbra 2026 a vyradený 30. apríla 2027, je v príkladoch nahradený modelomvoxtral-mini-tts-3-0. Preddefinované hlasy Voxtral 2 (gb_jane_neutral…) zostávajú podporované; Voxtral 3 pridáva značky[emotion=…]a[pace=…]priamo do textu, nastavenieexpressiveness, vlastnú výslovnosť (phoneme_hints) a podporu 35 jazykov. Mistral odporúča po migrácii znovu zmerať latenciu. Zdroje: Migrácia z Voxtral 2 · Generovanie reči.
Text-to-speech vstupuje do novej éry
V marci 2026 spoločnosť Mistral AI uviedla na trh Voxtral TTS, engine na prevod textu na reč, ktorý posúva hranice toho, čo bolo doteraz možné. Aby si ocenil tento skok, pripomeňme si požiadavky predchádzajúcej generácie: aby si získal presvedčivý hlas, musel si priviesť hlasového herca do štúdia, nahrať hodiny čítania a následne na tomto korpuse vycvičiť model. Voxtral pristupuje k veci inak pomocou klonovania hlasu s nulovým počtom ukážok (zero-shot): na zachytenie farby, rytmu a nuancií hlasu stačí len niekoľko sekúnd zvuku.
Tento prielom stojí na základovom modeli špeciálne vycvičenom na generovanie reči. Voxtral nielenže reprodukuje fonémy – rozumie prosódii, emóciám a jazykovým subtílnostiam v 35 jazykoch a viac ako 50 dialektoch vďaka Voxtral TTS 3 (vrátane francúzštiny, zatiaľ čo predchádzajúca generácia pokrývala iba 9 jazykov). Rozdiel počuť v opytovacej vete alebo vsuvke: zatiaľ čo starší systém by monotónne recitoval, Voxtral správne položí prízvuk, pretože si celú vetu najprv prečíta, až potom ju vysloví.
Čo je klonovanie s nulovým počtom ukážok (zero-shot)?
Termín zero-shot znamená, že model nepotrebuje ďalšie trénovanie na reprodukciu nového hlasu. Poskytneš nahrávku v trvaní niekoľkých sekúnd až niekoľkých minút vo formáte MP3 alebo WAV a Voxtral automaticky zachytí vokálne charakteristiky: farbu hlasu, intonáciu, rytmus a prízvuk. Neexistuje žiadna fáza trénovania, žiadne dodatočné náklady na výpočtový výkon a žiadna doba čakania – vzorka sa analyzuje v čase požiadavky.
Predstav si manažérku vzdelávania, ktorá potrebuje nadabovať e-learningový modul. Nahrá dvadsať sekúnd so slúchadlami, vytvorí si vlastný hlas a okamžite má rozprávača, ktorý znie ako ona. Tento hlas môže tiež naklonovať za behu priamo v rámci požiadavky API, dokonca ani bez jeho uloženia, ak ide o jednorazovú potrebu. A keď treba modul vyprodukovať v angličtine a španielčine, ten istý hlas si zachová svoju identitu naprieč jazykmi: poslucháč rozpozná konkrétnu osobu, nie troch rôznych rozprávačov.
Prečo Voxtral mení pravidlá hry
Tradičné riešenia TTS – Google Cloud TTS, Amazon Polly, Azure Speech – ponúkajú vopred nahrané hlasy rôznej kvality, ktoré musíš brať také, aké sú. Novšie riešenia, ako je ElevenLabs, síce ponúkajú klonovanie hlasu, ale zostávajú proprietárne a drahé: prenajímaš si prístup, no nikdy nemáš kontrolu nad samotným enginom.
Voxtral vyniká na troch vzájomne sa posilňujúcich frontoch. Predchádzajúca generácia, Voxtral TTS, bola vydaná so svojimi váhami pod licenciou CC BY-NC 4.0: môžeš ju hostiť na vlastnej infraštruktúre na nekomerčné účely, čo je kľúčové pre verejné služby alebo zdravotnícke zariadenia, ktoré nemôžu dovoliť, aby hlasy ich zamestnancov opustili ich priestory. Mistral API zároveň poskytuje jednoduchý prístup cez Python SDK so správou hlasov, streamovaním a viacerými audio formátmi, čo ti umožní vytvoriť prototyp v niekoľkých riadkoch kódu pred tým, než zvážiš vlastný hosting. Nakoniec, viacjazyčná podpora je natívna: na rozdiel od riešení, ktoré pridávajú jazyky ako nadstavbu, bol Voxtral trénovaný pre množstvo jazykov – 35 s Voxtral TTS 3 – s prirodzenými prechodmi medzi nimi – anglické vlastné meno vo francúzskej vete už nespôsobuje tónový zlom typický pre staršie enginy.
Čo sa naučíš
Tento kurz ťa prevedie všetkými funkciami Voxtral TTS. Najprv pochopíš architektúru a dostupné modely, následne sa naučíš vytvárať a spravovať vlastné hlasy prostredníctvom API. Ďalej budeš generovať reč v reálnom čase so streamovaním, predtým než sa pustíš do optimalizácie latencie a výberu správneho audio formátu. Cesta sa zavŕši vybudovaním kompletného hlasového pipeline, od rozpoznávania reči po syntézu cez LLM (STT → LLM → TTS).
Pokiaľ ide o predpoklady, budeš potrebovať nainštalovaný Python 3.10+ (minimálna verzia požadovaná Mistral SDK od verzie 2.0) na svojom počítači, účet Mistral AI s API kľúčom a Mistral Python SDK získané príkazom pip install mistralai. Stačia základné znalosti Pythonu – premenné, funkcie, knižnice: žiadny kód v tomto kurze nepresahuje tridsať riadkov.
Kľúčové poznatky
- Voxtral TTS je engine na prevod textu na reč od Mistral AI, uvedený na trh v marci 2026
- Klonovanie zero-shot reprodukuje hlas z nahrávky MP3 alebo WAV v trvaní niekoľkých sekúnd až minút
- Voxtral TTS 3 pokrýva 35 jazykov a viac ako 50 dialektov, s latenciou približne 90 ms pred prvým zvukom
- Váhy predchádzajúcej generácie sú zverejnené pod licenciou CC BY-NC 4.0 (na nekomerčné použitie)
- Mistral API poskytuje kompletné Python SDK na správu hlasov a generovanie reči