Vytvorenie vlastného hlasu
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 akceptované; 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.
Od nahrávky ku klonovanému hlasu
Vytvorenie vlastného hlasu pomocou Voxtralu sa redukuje na dva kroky: príprava vysokokvalitnej audio ukážky a jej odoslanie do API so správnymi parametrami. Druhý krok zaberie desať minút, ten prvý si zaslúži väčšiu pozornosť, pretože priamo určuje výsledok. Tento kurz ťa prevedie vytvorením tvojho prvého hlasu.
Príprava audio ukážky
Audio ukážka je základom tvojho hlasu: jej kvalita priamo určuje kvalitu syntetizovanej reči. Model nič neopravuje; reprodukuje presne to, čo počuje.
Dokumentácia pre Voxtral TTS 3 požaduje nahrávku vo formáte MP3 alebo WAV s dĺžkou od niekoľkých sekúnd po niekoľko minút (Voxtral 2 akceptoval 3 až 30 sekúnd). V praxi existujú tri režimy. Pri dĺžke medzi 3 a 10 sekundami model zachytí základný tón, ale s menším množstvom nuáns: hlas bude rozpoznateľný, no nie skutočne živý. Pri dĺžke medzi 10 a 20 sekundami získaš dobrý kompromis medzi kvalitou a jednoduchosťou, čo stačí pre väčšinu projektov. Nad 20 sekúnd poskytuješ modelu dostatok materiálu na pochopenie jemností – rytmu, intonácie, tých mikrovariácií, vďaka ktorým ťa priateľ spozná podľa dvoch slov.
Zostáva otázka, čo povedať, čo je problém, ktorý zastaví viac ľudí, než by si čakal, keď príde čas na nahrávanie. Tu je referenčný scenár, ktorý odporúča Mistral:
„Nahrávam audio ukážku na klonovanie môjho hlasu. Po dokončení budem môcť generovať reč, ktorá znie ako ja. Je neuveriteľné, ako dokáže AI zachytiť môj spôsob hovorenia, môj tón, môj rytmus a dokonca aj malé zvláštnosti, ktoré robia môj hlas jedinečným.”
Tento text nie je náhodný: je navrhnutý tak, aby pokryl rôzne zvuky a intonácie v angličtine, vrátane otvorených a zatvorených samohlások, explozívnych spoluhlások a vety s výkričníkom. Čo sa týka súboru, API akceptuje bežné formáty – MP3, WAV, FLAC, OGG – a súbor sa pred odoslaním zakóduje do formátu base64.
Kompletný kód v Pythone
Tu je kód na vytvorenie hlasu so všetkými dostupnými parametrami:
import base64
from pathlib import Path
from mistralai.client import Mistral
client = Mistral(api_key="your-api-key")
# Read and encode the audio sample
audio_path = Path("my-sample.mp3")
sample_audio_b64 = base64.b64encode(audio_path.read_bytes()).decode()
# Create the voice with all parameters
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}")
Iba dva parametre sú povinné:
name: zobrazovaný názov tvojho hlasu. Vyber opisný názov, ktorý ti umožní ľahkú identifikáciu (napr.support-assistant-en,podcast-intro)sample_audio: audio ukážka zakódovaná v base64. Toto je jediný parameter, ktorý po vytvorení nemožno zmeniť
Ostatné parametre sú voliteľné, no každý slúži na konkrétny účel:
sample_filename: pôvodný názov súboru. Pomáha API detekovať formát audiaslug: identifikátor vhodný pre URL. Ak ho vynecháš, vygeneruje sa automaticky z názvulanguages: pole kódov jazykov podľa normy ISO (napr.["en", "fr", "es"]). Určuje jazyky, pre ktoré je tento hlas optimalizovanýgender:"male"alebo"female". Používa sa na filtrovanie v rozhraníage: celé číslo predstavujúce približný vek hovoriaceho. Pomáha kategorizovať hlastags: pole voľných textových reťazcov na organizáciu tvojich hlasov (napr.["commercial", "dynamic"])
Pri projekte s jedným hlasom môžeš mať chuť všetko ostatné vynechať. Pri katalógu tridsiatich hlasov rozdelených medzi viacerých klientov ti však tagy a jazyky špecifikované pri vytvorení ušetria hodiny triedenia.
Nahrávanie priamo z prehliadača
Ak preferuješ prácu bez manipulácie so súbormi, Mistral Studio ti umožňuje nahrávať priamo z prehliadača:
- Prejdi do sekcie Audio > Text to Speech
- Klikni na My Voices a potom na Add a new voice
- Zadaj názov svojho hlasu
- Klikni na tlačidlo nahrávania a hovorte 10 až 30 sekúnd
- Potvrď – tvoj hlas je okamžite k dispozícii
Táto metóda funguje perfektne pre rýchle testy alebo v situácii, keď osoba, ktorá prepožičiava svoj hlas, nie je tá, ktorá píše kód – herec alebo manažér bude ochotnejší absolvovať tento proces v prehliadači než v termináli.
Overenie tvojho hlasu
Nikdy nepokračuj ďalej bez vypočutia výsledku. Hneď po dokončení vytvorenia vygeneruj testovaciu vetu:
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!")
Počúvaj na slúchadlách, nie na reproduktoroch notebooku: chyby v tóne sú na nich nepočuteľné. Ak ťa výsledok neuspokojuje, vytvor nový hlas s lepšou ukážkou, namiesto toho, aby si používal tú istú – API aj tak neumožňuje nahradiť audio existujúceho hlasu a trvanie na slabej nahrávke len oddiali riešenie problému.
Kľúčové poznatky
- Nahrávka (MP3 alebo WAV) môže trvať od niekoľkých sekúnd po niekoľko minút; cieľom je aspoň 10 až 20 sekúnd rozmanitej reči
- Audio súbor sa pred odoslaním do API zakóduje do formátu base64
- Parametre
nameasample_audiosú povinné; ostatné sú voliteľné - Mistral Studio umožňuje nahrávať priamo z prehliadača
- Vždy si svoj hlas okamžite po vytvorení otestuj