Modely Voxtral TTS
Na tejto strane
Kurz aktualizovaný 3. novembra 2026 pre Voxtral TTS 3, na základe sprievodcu Migrate from Voxtral 2 a stránok Mistral Text to Speech:
voxtral-mini-tts-2603, zastaraný od 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 do textu značky[emotion=…]a[pace=…], nastavenieexpressiveness, vlastnú výslovnosť (phoneme_hints) a podporu 35 jazykov. Mistral odporúča po migrácii znovu zmerať latenciu. Zdroje: Migrate from Voxtral 2 · Speech generation.
Voxtral Mini TTS: Referenčný model
Syntetizačným modelom v rodine Voxtral je Voxtral TTS 3, identifikovaný v API ako voxtral-mini-tts-3-0 (alias voxtral-mini-tts-3). Toto je identifikátor (slug), ktorý použiješ v každom volaní API: zapamätaj si ho, pretože je to jediný reťazec v tomto kurze, ktorý musíš poznať naspamäť. Model je navrhnutý tak, aby ponúkal optimálnu rovnováhu medzi kvalitou hlasu, latenciou a nákladmi, čo vysvetľuje, prečo sám o sebe pokrýva takmer všetky profesionálne prípady použitia.
Voxtral Mini TTS je základný model pre hlasy (voice foundation model). Tento rozdiel nie je len kozmetický: staršie systémy TTS krájali text na fonémy a spájali ich zo zvukovej banky, čo viedlo k trhaným hlasom, kde každá slabika znela nezávisle od tej predchádzajúcej. Voxtral naopak generuje reč tým, že chápe sémantický kontext textu. Pri vete „On to nepovedal“ model vie, kam umiestniť dôraz, pretože interpretoval štruktúru vety, čím vytvára prirodzenú prosódiu s konzistentnou intonáciou od začiatku do konca.
Technické špecifikácie
Model voxtral-mini-tts-3-0 má nasledujúce špecifikácie:
| Funkcia | Hodnota |
|---|---|
| Latencia modelu | Približne 90 milisekúnd pred prvým zvukom |
| Jazyky | 35 jazykov a viac ako 50 dialektov; preddefinované hlasy v 22 jazykoch |
| Klonovanie hlasu | Zero-shot, z nahrávky MP3 alebo WAV trvajúcej od niekoľkých sekúnd po niekoľko minút |
| Ovládanie | 34 značiek emócií, značky tempa, expressiveness, vlastná výslovnosť |
| Výstupné formáty | MP3 (predvolené), WAV, PCM, FLAC, Opus — mono, 24 kHz |
| Streamovanie | Podporované v reálnom čase |
| Cena k 3. novembru 2026 | 13 $ za milión znakov |
Tých 90 milisekúnd si zaslúži druhý pohľad: ide o oneskorenie pred tým, než je k dispozícii prvý zvukový fragment, nie o celkovú dobu generovania. V konverzačnom asistentovi práve táto konkrétne hodnota určuje, či bude výmena pôsobiť prirodzene alebo pracne.
Predintegované profesionálne hlasy
Popri klonovaní hlasov ponúka Mistral AI knižnicu profesionálnych hlasov pripravených na okamžité použitie. Tieto hlasy boli nahrané v štúdiu a optimalizované pre rôzne prípady použitia. Poskytujú neoceniteľnú službu na začiatku projektu: ak chceš overiť, či tvoje pipeline funguje, ešte predtým, než zorganizuješ nahrávaciu session s vybraným hlasovým hercom, predintegovaný hlas ti umožní otestovať všetko ešte v ten istý deň.
V Mistral Studio, webovom rozhraní, môžeš tieto hlasy preskúmať a filtrovať podľa troch kritérií: pohlavia (mužské alebo ženské), hlavného jazyka hlasu a emócie, čo znamená emocionálny tón – neutrálny, nadšený, pokojný a tak ďalej. Ku každému z nich sa dostaneš cez jeho voice_id v API, presne ako k hlasu, ktorý si sám naklonoval: tvoj kód nezmení ani riadok, keď prepneš z demo hlasu na finálny hlas.
Otvorené váhy: Možnosti vlastného hostingu
Predchádzajúca generácia, Voxtral TTS (voxtral-mini-tts-2603), bola vydaná so svojimi váhami – model s 4 miliardami parametrov na Hugging Face – pod licenciou CC BY-NC 4.0. Nie je to licencia open source v bežnom zmysle: zakazuje komerčné použitie. Umožňuje experimentovanie a prototypovanie na vlastnej infraštruktúre bez toho, aby akékoľvek vzorky hlasu opustili tvoju sieť, ale komerčný produkt musí používať API alebo dosiahnuť dohodu s Mistral AI. K dnešnému dňu dokumentácia Voxtral TTS 3 nespomína žiadne otvorené váhy.
Pre organizácie podliehajúce obmedzeniam dôvernosti – ako sú poskytovatelia zdravotnej starostlivosti alebo vládne agentúry – therefore vzniká otázka v dvoch častiach: je použitie komerčné a pokrýva otvorený model požadované jazyky a kvalitu? Ak nie, musíš preskúmať zmluvné záväzky API (hosting, uchovávanie údajov).
Používanie cez Mistral API
Na používanie Voxtral Mini TTS cez API musíš najprv inicializovať klienta so svojím API kľúčom:
from mistralai.client import Mistral
client = Mistral(api_key="your-api-key")
Model sa následne označuje svojim identifikátorom voxtral-mini-tts-3-0 v každom volaní generovania. V nadchádzajúcich lekciách uvidíš, ako vytvárať hlasy a generovať reč; tento objekt client bude východiskovým bodom pre všetky nasledujúce príklady.
Ak uprednostňuješ prístup bez kódovania, Mistral Studio ponúka grafické rozhranie dostupné na studio.mistral.ai. Tam si môžeš vypočuť dostupné profesionálne hlasy, nahrať svoj vlastný hlas priamo z prehliadača, otestovať generovanie hlasu s rôznymi textami a upraviť parametre – jazyk, emóciu, formát. Je to ideálny nástroj na prototypovanie: do desiatich minút overíš, či hlas vyhovuje projektu, a až po rozhodnutí prejdeš ku kódovaniu.
Vývojový plán (Roadmap)
Mistral AI oznámil, že sa k rodine Voxtral pridajú ďalšie modely: ľahšie modely pre vstavané a mobilné aplikácie, výkonnejšie modely pre expresívne generovanie hlasu a neustále zlepšovanie viacjazyčnej kvality. Preto navrhuj svoje integrácie tak, aby si názov modelu izoloval v konfiguračnej premennej, namiesto toho, aby si ho rozhádzal po celom kóde – v deň, keď príde nástupca, migrácia zaberie len jeden riadok. Dovtedy zostáva voxtral-mini-tts-3-0 referenčným modelom a pokrýva veľkú väčšinu profesionálnych prípadov použitia.
Kľúčové poznatky
- Primárnym modelom je
voxtral-mini-tts-3-0, optimalizovaný pre kvalitu a latenciu - Predintegované profesionálne hlasy sú dostupné na začiatok práce bez potreby zvukovej vzorky
- Predchádzajúci model má otvorené váhy a môže byť hostovaný vlastnými silami (nekomerčné použitie)
- Mistral Studio ponúka grafické rozhranie na testovanie bez kódovania
- Mistral API a Python SDK sú vstupnými bodmi pre integráciu