Oblike zvoka
Na tej strani
Posodobitev tečaja z dne 3. novembra 2026 za Voxtral TTS 3, na podlagi vodnika Migrate from Voxtral 2 in strani Mistral Text to Speech:
voxtral-mini-tts-2603, ki je bil opuščen 31. oktobra 2026 in odstranjen 30. aprila 2027, je v primerih nadomeščen zvoxtral-mini-tts-3-0. Vnaprej določeni glasovi Voxtral 2 (gb_jane_neutral…) so še vedno sprejeti; Voxtral 3 dodaja oznake[emotion=…]in[pace=…]v besedilu, nastavitevexpressiveness, prilagojeno izgovarjavo (phoneme_hints) in 35 jezikov. Mistral priporoča ponovno merjenje zakasnitve po selitvi. Viri: Migrate from Voxtral 2 · Speech generation.
Izbira prave izhodne oblike
Parameter response_format sprejme pet vrednosti. Ta izbira v eni vrstici je veliko pomembnejša, kot se zdi: določa kakovost zvoka, velikost datotek, ki jih shranjujete, zakasnitev, ki jo zaznajo vaši uporabniki, in združljivost z njihovimi predvajalniki. Podkast, dostavljen v obliki PCM, bo za polovico vašega občinstva nepredvajljiv; glasovni agent v obliki MP3 bo za vsakim odgovorom zaostajal dve sekundi. Spodnja tabela ponuja splošen pregled, preostanek te lekcije pa pojasnjuje, kdaj uporabiti posamezno obliko.
| Oblika | Stiskanje | Kakovost | Zakasnitev pri pretakanju | Glavni primer uporabe |
|---|---|---|---|---|
| MP3 | Z izgubami | Dobra | ~2 sekundi | Splošna uporaba, datoteke |
| WAV | Brez (PCM) | Najvišja | Srednja | Postprodukcija, zvočne knjige |
| PCM | Brez (surovo) | Najvišja | ~0,7 sekunde | Pretakanje v realnem času |
| FLAC | Brez izgub | Najvišja | Srednja | Arhiviranje, profesionalna kakovost |
| Opus | Z izgubami | Zelo dobra | Nizka | Pretakanje, VoIP, omejena pasovna širina |
Zakasnitve v tej tabeli so okvirne vrednosti, izmerjene z Voxtral 2; ponovno jih izmerite z Voxtral TTS 3, ki v vseh primerih proizvaja mono zvok pri 24 kHz.
MP3: Univerzalni standard
MP3 ostaja najbolj razširjena oblika: vsak brskalnik, telefon in predvajalnik jo bere naravno, nosi pa tudi metapodatke ID3, ki jih zahtevajo platforme za podkaste. Njegovo stiskanje poteka z izgubami, zato je kakovost nekoliko nižja kot pri WAV, vendar je razlika pri govoru redko slišna. Njegova prava pomanjkljivost je drugje: pri pretakanju mora kodek zbrati podatke, preden proizvede prvi okvir, kar zamakne prvi zvok za približno dve sekundi. To obliko izberite za datoteke za prenos, podkaste ali standardno spletno integracijo – nikoli za pogovorno uporabo.
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: Najvišja kakovost
WAV vsebuje nestisnjen zvok PCM, ki zagotavlja najboljšo možno kakovost brez izgub. Ker ni ničesar za dekodiranje in urejevalniki zvoka univerzalno prepoznajo to obliko, je naravna izhodiščna točka za vsako verigo postprodukcije: urejate, izenačujete in stiskate, nato pa izvozite v želeno distribucijsko obliko. Kompromis je velikost datoteke – približno desetkrat večja od MP3 – in ustrezne zahteve glede pasovne širine.
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",
)
Rezervirajte jo za zvočne knjige studijske kakovosti, arhiviranje in vse, kar nameravate kasneje urejati.
PCM: Oblika za realni čas
PCM (Pulse Code Modulation) je surov zvok Float32 Little-Endian brez glave ali ovoja. Ta golota je hkrati njegova prednost in slabost. Prednost: ničesar ni treba kodirati ali dekodirati, prvi zvok prispe v približno 0,7 sekunde, prejeti bajti pa se zapišejo neposredno na zvočno kartico. Slabost: brez glave morate vzorčno frekvenco in obliko poznati ter posredovati sami – zato je primer pyaudio v lekciji 10 izrecno določil paFloat32, en kanal in 24.000 Hz. Datoteke so tudi zelo velike in jih noben potrošniški predvajalnik ne odpre neposredno.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Raw PCM for streaming.",
voice_id=voice_id,
response_format="pcm",
)
To je oblika za glasovne pomočnike v realnem času, pogovorne agente in aplikacije WebRTC.
FLAC: Stiskanje brez izgub
FLAC zmanjša velikost datoteke za 50 % do 60 %, ne da bi se dotaknil enega samega vzorca: kakovost je strogo enaka kot pri WAV, obdržite pa tudi metapodatke. V praksi je to vaša arhivska oblika: glavne izvorne datoteke shranite v FLAC in leta kasneje lahko znova ustvarite MP3 ali Opus, ne da bi trpeli zaradi dvojnega stiskanja, ki poslabša zvok. Zahteva dekodirnik, zato je manj univerzalen kot 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: Sodobni kompromis
Opus je kodek, zasnovan za komunikacijo v realnem času, ki zagotavlja odlično kakovost pri zelo nizkih bitnih hitrostih. V mobilni aplikaciji, ki deluje na poslabšanem omrežju 4G, zagotavlja jasen glas tam, kjer bi WAV zamašil povezavo, z nizko zakasnitvijo pri pretakanju – višjo kot PCM, a precej nižjo kot MP3. Združljivost pa je neenakomerna: ne vsi predvajalniki ga podpirajo naravno, nekateri zahtevajo vsebnik OGG.
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="Opus for efficient streaming.",
voice_id=voice_id,
response_format="opus",
)
To je izbira za VoIP, pretakanje z omejeno pasovno širino in mobilne aplikacije.
Odločitev v eni minuti
Ko se soočite z novim projektom, se odločite po tem vrstnem redu. Če izvajate pretakanje v realnem času, izberite PCM za najnižjo zakasnitev ali Opus, če je pasovna širina enako pomembna kot odzivnost. V nasprotnem primeru se vprašajte, kje se bo datoteka predvajala: v brskalniku MP3 zagotavlja največjo združljivost. Če jo boste kasneje urejali, vam WAV ponuja najlažji material za manipulacijo. Če jo je treba arhivirati brez izgube decibela, FLAC stisne brez žrtvovanja česar koli. In če je prevladujoča omejitev počasno omrežje, Opus ponuja najboljše razmerje med kakovostjo in velikostjo.
Ključne ugotovitve
- MP3 je privzeta izbira za univerzalno združljivost
- PCM ponuja najnižjo zakasnitev za pretakanje v realnem času (~0,7 s)
- WAV zagotavlja najboljšo nestisnjeno kakovost, idealno za postprodukcijo
- FLAC stiska brez izgub – enaka kakovost kot WAV, manjše datoteke
- Opus je najboljši kompromis med kakovostjo in velikostjo za omrežne aplikacije