Základná generácia reči
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 akceptované; 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.
Tvoja prvá generácia hlasu
Teraz už vieš, ako vytvoriť hlas a spravovať ho prostredníctvom Voices API. Posledným krokom je urobiť to, kvôli čomu si všetku tú prácu vykonal: vyprodukovať audio. Rečové API od Mistralu sa obmedzuje na jediný volanie, client.audio.speech.complete(), ktoré prijíma text a ID hlasu a vracia audio zakódované v base64. Táto lekcia pokrýva základnú generáciu s uloženým hlasom; klonovanie za behu a streamovanie prídu na rad ďalej.
Kód nižšie je všetko, čo potrebuješ na premenu vety do súboru MP3 na tvojom disku. Venuj veľkú pozornosť poslednému kroku: odpoveď neobsahuje priamo použiteľné surové bajty audia, ale reťazec base64, ktorý musíš pred zápisom súboru dekódovať. Toto je klasická chyba začiatočníkov – uloženie reťazca tak, ako je, spôsobí, že audio prehrávače odmietnu súbor otvoriť.
import base64
from pathlib import Path
from mistralai.client import Mistral
client = Mistral(api_key="your-api-key")
# Generovanie reči s uloženým hlasom
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Ahoj a vitaj v tomto kurze o Voxtral TTS.",
voice_id="your-voice-id",
response_format="mp3",
)
# Dekódovanie base64 a uloženie do súboru
audio_bytes = base64.b64decode(response.audio_data)
Path("output.mp3").write_bytes(audio_bytes)
print(f"Audio vygenerované: {len(audio_bytes)} bajtov")
Čo kontroluje každý parameter
Parameter model špecifikuje syntetizačný model. K dnešnému dňu je dostupný iba voxtral-mini-tts-3-0, ale vždy ho špecifikuj explicitne: keď sa objavia ďalšie modely, tvoj kód bude pokračovať vo produkcii presne toho istého hlasu, aký produkuje dnes.
Parameter input prijíma text na prečítanie a je to zďaleka parameter vyžadujúci najväčšiu pozornosť. Dokumentácia Voxtral 2 odporúčala zostať pod limitom 300 slov na požiadavku; dokumentácia Voxtral TTS 3 už limit nestanovuje, ale požiadavky na jeden odsek sa stále ľahšie kontrolujú a reprodukujú. Vyhni sa emotikonom, ktoré model nedokáže interpretovať, ako aj komplexnému formátovaniu – Markdown, HTML, špeciálne znaky – ktoré skončia doslovne prečítané nahlas. Nakoniec, vypisuj čísla a skratky slovami: „dvadsaťtri“ namiesto „23“, „Spoločnosť s ručením obmedzeným“ namiesto „s. r. o.“. Hlasový agent, ktorý zakopne o čísla pri oznamovaní sumy, stratí dôveryhodnosť už v jednej vete.
voice_id identifikuje použitý hlas. Získaš ho tromi spôsobmi: vytvorením hlasu pomocou client.audio.voices.create() (pozri lekciu 5), výpisom existujúcich hlasov pomocou client.audio.voices.list(), alebo opätovným použitím ID profesionálneho hlasu od Mistralu. response_format nakoniec nastavuje výstupný formát medzi mp3, wav, pcm, flac a opus. Táto voľba ovplyvňuje veľkosť súboru aj latenciu a lekcia 12 je jej venovaná celá.
Škálovanie: Kapitola audioknihy
Pri mierne dlhšom texte zostáva najlepšou praxou rozdelenie textu. Princíp je jednoduchý: priprav zoznam odsekov, každý vygeneruj samostatne a potom akumuluj dekódované bajty do jedného bufferu pred zápisom konečného súboru.
import base64
from pathlib import Path
from mistralai.client import Mistral
client = Mistral(api_key="your-api-key")
voice_id = "your-voice-id"
# Text rozdelený na odseky
paragraphs = [
"Prvý odsek kapitoly. Rozprávač predstavuje kontext.",
"Druhý odsek. Akcia sa začína rozvíjať.",
"Tretí odsek. Napätie sa postupne stupňuje.",
]
full_audio = b""
for i, text in enumerate(paragraphs):
print(f"Generovanie segmentu {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 kapitola úspešne vygenerovaná!")
Tento skript funguje, pretože produkuje WAV, nekomprimovaný formát, ktorého segmenty sa dajú spájať koniec za koncom bez špeciálneho spracovania. Skús to isté s MP3 alebo Opus a výsledok bude nepoužiteľný: tieto komprimované formáty obsahujú hlavičky a štruktúry snímok, ktoré surové spájanie rozbije. Namiesto toho použi knižnicu ako pydub, ktorá každý segment dekóduje pred ich čistým zlúčením.
Keď generácia zlyhá
V produkčnom prostredí musíš toto volanie chrániť. voice_id vymazaný včera kolegom, text, ktorý sa potichu predlžuje, pretože sa spojilo pole, vyčerpaná kvóta API na konci mesiaca, preklep vo výstupnom formáte: každá z týchto situácií vyvolá výnimku a bez ochranných mechanizmov sa tvoje dávkové spracovanie zastaví v polovici korpusu.
try:
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Text na prevod do reči.",
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"Chyba počas generovania: {e}")
Venuj čas testovaniu tejto chybovej cesty pred nasadením do produkcie: zámerne generuj s falošným voice_id a over, či tvoja aplikácia túto situáciu jasne signalizuje, namiesto toho, aby produkovala prázdny súbor.
Kľúčové poznatky
- Generácia používa
client.audio.speech.complete()s modelomvoxtral-mini-tts-3-0 - Rozdeľ dlhé texty na odseky a vyhni sa emotikonom a formátovaniu
- Vypisuj čísla a skratky slovami pre správnu výslovnosť
- Vrátene audio je v base64 – pred uložením ho dekóduj
- Pri dlhých textoch rozdeľ text na segmenty a výsledky spojte