Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Formáty zvuku

Lekcia 12 z 14 Aktualizované 3. novembra 2026 Vývojár
Na tejto strane
  1. Výber správneho výstupného formátu
  2. MP3: Univerzálny štandard
  3. WAV: Maximálna kvalita
  4. PCM: Formát pre reálny čas
  5. FLAC: Bezstratová kompresia
  6. Opus: Moderný kompromis
  7. Rozhodnutie za jednu minútu
  8. Kľúčové poznatky

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 odstránený 30. apríla 2027, je v príkladoch nahradený modelom voxtral-mini-tts-3-0. Preddefinované hlasy Voxtral 2 (gb_jane_neutral…) zostávajú akceptované; Voxtral 3 pridáva do textu značky [emotion=…] a [pace=…], nastavenie expressiveness, vlastnú výslovnosť (phoneme_hints) a podporu 35 jazykov. Mistral odporúča po migrácii znovu zmerať latenciu. Zdroje: Migrácia z Voxtral 2 · Generovanie reči.

Výber správneho výstupného formátu

Parameter response_format prijíma päť hodnôt. Táto voľba na jednom riadku je oveľa dôležitejšia, než sa zdá: určuje kvalitu zvuku, veľkosť súborov, ktoré ukladáš, latenciu, ktorú vnímajú tvoji používatelia, a kompatibilitu s ich prehrávačmi. Podcast doručený vo formáte PCM bude pre polovicu tvojho publika neprehrateľný; hlasový agent v MP3 bude za každou odpoveďou meškať dve sekundy. Nasledujúca tabuľka poskytuje prehľad a zvyšok tejto lekcie vysvetľuje, kedy použiť ktorý formát.

Formát Kompresia Kvalita Latencia streamovania Hlavné použitie
MP3 Stratová Dobrá ~2 sekundy Všeobecné použitie, súbory
WAV Žiadna (PCM) Maximálna Stredná Postprodukcia, audioknihy
PCM Žiadna (surové) Maximálna ~0,7 sekundy Streamovanie v reálnom čase
FLAC Bezstratová Maximálna Stredná Archivácia, profesionálna kvalita
Opus Stratová Veľmi dobrá Nízka Streamovanie, VoIP, obmedzená šírka pásma

Latencie v tejto tabuľke sú hrubé odhady namerané s Voxtral 2; znovu ich zmeraj s Voxtral TTS 3, ktorý vo všetkých prípadoch produkuje mono zvuk pri 24 kHz.

MP3: Univerzálny štandard

MP3 zostáva najrozšírenejším formátom: každý prehliadač, telefón a prehrávač ho číta natívne a nesie metadáta ID3, ktoré vyžadujú platformy pre podcasty. Jeho kompresia je stratová, takže kvalita je mierne nižšia ako pri WAV, ale rozdiel je pri reči zriedka počuteľný. Jeho skutočná nevýhoda spočíva inde: pri streamovaní musí kodek najprv nahromadiť údaje, než vyprodukuje prvý snímok, čo oneskorí prvý zvuk asi o dve sekundy. Tento formát si vyber pre súbory na stiahnutie, podcasty alebo štandardnú webovú integráciu – nikdy nie pre konverzačné použitie.

response = client.audio.speech.complete(
    model="voxtral-mini-tts-3-0",
    input="An MP3 file for standard use.",
    voice_id=voice_id,
    response_format="mp3",
)

WAV: Maximálna kvalita

WAV obsahuje nekomprimované audio PCM, ktoré poskytuje najlepšiu možnú kvalitu bez straty. Keďže nie je čo dekódovať a audio editory tento formát univerzálne rozpoznávajú, je prirodzeným východiskovým bodom pre akýkoľvek reťazec postprodukcie: upravuješ, ekvalizuješ a komprimuješ, potom exportuješ do požadovaného distribučného formátu. Nevýhodou je veľkosť súboru – asi desaťnásobok oproti MP3 – a zodpovedajúce nároky na šírku pásma.

response = client.audio.speech.complete(
    model="voxtral-mini-tts-3-0",
    input="A WAV file for the best quality.",
    voice_id=voice_id,
    response_format="wav",
)

Rezervuj si ho pre audioknihy štúdiovej kvality, archiváciu a všetko, čo plánuješ neskôr upravovať.

PCM: Formát pre reálny čas

PCM (Pulse Code Modulation) sú surové audio dáta Float32 Little-Endian bez hlavičky alebo zapuzdrenia. Táto nahota je jeho silnou aj slabou stránkou. Silná stránka: nič na kódovanie alebo dekódovanie, prvý zvuk dorazí asi za 0,7 sekundy a prijaté bajty sa zapisujú priamo na zvukovú kartu. Slabá stránka: bez hlavičky musíš sám poznať a preniesť vzorkovaciu frekvenciu a formát – presne preto príklad s pyaudio v lekcii 10 explicitne deklaroval paFloat32, jeden kanál a 24 000 Hz. Súbory sú tiež veľmi veľké a žiadny bežný prehrávač ich neotvorí priamo.

response = client.audio.speech.complete(
    model="voxtral-mini-tts-3-0",
    input="Raw PCM for streaming.",
    voice_id=voice_id,
    response_format="pcm",
)

Toto je formát pre hlasových asistentov v reálnom čase, konverzačných agentov a aplikácie WebRTC.

FLAC: Bezstratová kompresia

FLAC zmenšuje veľkosť súboru o 50 % až 60 %, pričom sa nedotkne ani jednej vzorky: kvalita je rigorózne identická s WAV a zachovávaš metadáta. V praxi je to tvoj formát na archiváciu: ulož si svoje master nahrávky vo FLAC a o roky môžeš znovu vygenerovať MP3 alebo Opus bez toho, aby si trpel dvojitou kompresiou, ktorá zhoršuje audio. Vyžaduje si decoder, čo ho robí menej univerzálnym ako MP3.

response = client.audio.speech.complete(
    model="voxtral-mini-tts-3-0",
    input="FLAC for lossless archiving.",
    voice_id=voice_id,
    response_format="flac",
)

Opus: Moderný kompromis

Opus je kodek navrhnutý pre komunikáciu v reálnom čase, ktorý poskytuje vynikajúcu kvalitu pri veľmi nízkych dátových tokoch. V mobilnej aplikácii bežiacej na zhoršenej sieti 4G doručí čistý hlas tam, kde by WAV zahltil spojenie, s nízkou latenciou streamovania – vyššou ako PCM, ale oveľa nižšou ako MP3. Kompatibilita je však nerovnomerná: nie všetky prehrávače ho podporujú natívne a niektoré vyžadujú kontajner OGG.

response = client.audio.speech.complete(
    model="voxtral-mini-tts-3-0",
    input="Opus for efficient streaming.",
    voice_id=voice_id,
    response_format="opus",
)

Toto je voľba pre VoIP, streamovanie s obmedzenou šírkou pásma a mobilné aplikácie.

Rozhodnutie za jednu minútu

Keď čelíš novému projektu, rozhoduj sa v tomto poradí. Ak robíš streamovanie v reálnom čase, vyber PCM pre minimálnu latenciu alebo Opus, ak záleží na šírke pásma rovnako ako na odozve. Inak sa opýtaj, kde sa súbor bude prehrávať: v prehliadači MP3 zaručuje maximálnu kompatibilitu. Ak ho budeš neskôr upravovať, WAV ti poskytne najľahší materiál na manipuláciu. Ak sa musí archivovať bez straty jediného decibelu, FLAC komprimuje bez obetovania čohokoľvek. A ak je dominantným obmedzením pomalá sieť, Opus ponúka najlepší pomer kvality k veľkosti.

Kľúčové poznatky

  • MP3 je predvolenou voľbou pre univerzálnu kompatibilitu
  • PCM ponúka najnižšiu latenciu pre streamovanie v reálnom čase (~0,7 s)
  • WAV poskytuje najlepšiu nekomprimovanú kvalitu, ideálnu pre postprodukciu
  • FLAC komprimuje bez straty – rovnaká kvalita ako WAV, menšie súbory
  • Opus je najlepší kompromis medzi kvalitou a veľkosťou pre sieťové aplikácie