Modeli TTS Voxtral
Na tej strani
Tečaj posodobljen 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 31. oktobra 2026 označen kot zastarel in bo 30. aprila 2027 umaknjen, je v primerih nadomeščen zvoxtral-mini-tts-3-0. Vnaprej določeni glasovi Voxtral 2 (gb_jane_neutral…) so še vedno podprti; Voxtral 3 dodaja oznake[emotion=…]in[pace=…]v besedilu, nastavitevexpressiveness, prilagojeno izgovarjavo (phoneme_hints) in podporo za 35 jezikov. Mistral priporoča ponovno merjenje zakasnitve po selitvi. Viri: Migrate from Voxtral 2 · Speech generation.
Voxtral Mini TTS: Referenčni model
Sintezni model v družini Voxtral je Voxtral TTS 3, v API-ju identificiran kot voxtral-mini-tts-3-0 (alias voxtral-mini-tts-3). To je identifikator, ki ga boš zapisal v vsakem klicu API-ja: zapomni si ga, saj je edini niz v tem tečaju, ki ga moraš znati na pamet. Model je zasnovan tako, da ponuja optimalno ravnovesje med kakovostjo glasu, zakasnitvijo in stroški, kar pojasnjuje, zakaj sam pokriva skoraj vse profesionalne primere uporabe.
Voxtral Mini TTS je temeljni model za glas. Ta razlika ni le kozmetična: starejši sistemi TTS so besedilo razrezali na foneme in jih združili iz zvočne banke, kar je povzročilo trdne glasove, kjer je vsak zlog deloval neodvisno od prejšnjega. Voxtral nasprotno generira govor z razumevanjem semantičnega konteksta besedila. Pri stavku, kot je „He didn’t say that,” model ve, kam postaviti poudarek, ker je interpretiral strukturo stavka, kar proizvaja naravno prozodijo s skladno intonacijo od začetka do konca.
Tehnične specifikacije
Model voxtral-mini-tts-3-0 ima naslednje specifikacije:
| Funkcija | Vrednost |
|---|---|
| Zakasnitev modela | Približno 90 milisekund pred prvim zvokom |
| Jeziki | 35 jezikov in več kot 50 narečij; vnaprej določeni glasovi v 22 jezikih |
| Kloniranje glasu | Zero-shot, iz posnetka MP3 ali WAV v trajanju od nekaj sekund do nekaj minut |
| Nadzor | 34 oznak za čustva, oznake za tempo, expressiveness, prilagojena izgovarjava |
| Izhodne oblike | MP3 (privzeto), WAV, PCM, FLAC, Opus — mono, 24 kHz |
| Pretakanje | Podprto v realnem času |
| Cena na dan 3. novembra 2026 | 13 $ na milijon znakov |
Teh 90 milisekund si zasluži drug premislek: to je zamik, preden je na voljo prvi zvočni fragment, ne pa skupno trajanje generiranja. Pri pogovornem pomočniku ta specifična številka določa, ali bo izmenjava delovala naravno ali naporno.
Vnaprej integrirani profesionalni glasovi
Poleg kloniranja glasov Mistral AI ponuja knjižnico profesionalnih glasov, pripravljenih za takojšnjo uporabo. Ti glasovi so bili posneti v studiu in optimizirani za različne primere uporabe. Ob začetku projekta nudijo neprecenljivo storitev: če želiš preveriti, ali tvoj potek dela deluje, še preden sploh organiziraš snemalno sejo z izbranim govorcem, ti vnaprej integrirani glas omogoča, da vse preizkusiš še isti dan.
V Mistral Studio, spletnem vmesniku, lahko raziščeš te glasove in jih filtriraš po treh merilih: spolu (moški ali ženski), glavnem jeziku glasu in čustvu, kar pomeni čustveni ton – nevtralno, navdušeno, mirno in tako naprej. Vsak je dostopen prek svojega voice_id v API-ju, popolnoma enako kot glas, ki si ga sam kloniral: tvoja koda se ne spremeni niti za vrstico, ko preklopiš z demo glasu na končni glas.
Odprte uteži: Možnosti samostojnega gostovanja
Prejšnja generacija, Voxtral TTS (voxtral-mini-tts-2603), je bila izdana s svojimi utežmi – model s 4 milijardami parametrov na Hugging Face – pod licenco CC BY-NC 4.0. To ni odprtokodna licenca v običajnem smislu: prepoveduje komercialno uporabo. Omogoča eksperimentiranje in prototipiranje na lastni infrastrukturi, ne da bi kakršni koli vzorci glasov zapustili tvoje omrežje, vendar mora komercialni izdelek uporabljati API ali doseči dogovor z Mistral AI. Trenutno dokumentacija za Voxtral TTS 3 ne omenja nobenih odprtih uteži.
Za organizacije, ki jih zavezujejo omejitve zaupnosti – kot so zdravstvene ustanove ali vladne agencije – se zato vprašanje zastavi v dveh delih: ali je uporaba komercialna in ali odprti model pokriva zahtevane jezike in kakovost? Če ne, moraš preučiti pogodbene zaveze API-ja (gostovanje, hramba podatkov).
Uporaba prek Mistral API-ja
Za uporabo Voxtral Mini TTS prek API-ja moraš najprej inicializirati odjemalca s svojim ključem API:
from mistralai.client import Mistral
client = Mistral(api_key="your-api-key")
Model se nato v vsakem klicu generiranja sklicuje z njegovim identifikatorjem voxtral-mini-tts-3-0. V prihajajočih lekcijah boš videl, kako ustvariti glasove in generirati govor; ta predmet client bo izhodišče za vse naslednje primere.
Če imaš raje pristop brez kodiranja, Mistral Studio ponuja grafični vmesnik, dostopen na studio.mistral.ai. Tam lahko poslušaš razpoložljive profesionalne glasove, neposredno v brskalniku posnameš svoj glas, preizkusiš generiranje glasu z različnimi besedili in prilagajaš parametre – jezik, čustvo, obliko. To je idealno orodje za prototipiranje: v desetih minutah potrdi, ali glas ustreza projektu, nato pa po sprejeti odločitvi preidi na kodiranje.
Razvojna pot
Mistral AI je napovedal, da se bodo družini Voxtral pridružili še drugi modeli: lažji modeli za vgrajene in mobilne aplikacije, zmogljivejši modeli za ekspresivno generiranje glasov in stalne izboljšave večjezične kakovosti. Zato svoje integracije načrtuj tako, da ime modela izoliraš v konfiguracijski spremenljivki, namesto da bi ga razpršil po svoji kodi – ko bo naslednik na voljo, bo selitev zahtevala le eno vrstico. Do takrat ostaja voxtral-mini-tts-3-0 referenca in pokriva veliko večino profesionalnih primerov uporabe.
Ključne ugotovitve
- Primarni model je
voxtral-mini-tts-3-0, optimiziran za kakovost in zakasnitev - Na voljo so vnaprej integrirani profesionalni glasovi za začetek brez zvočnega vzorca
- Prejšnji model ima odprte uteži in ga je mogoče samostojno gostiti (nekomercialno)
- Mistral Studio ponuja grafični vmesnik za testiranje brez kodiranja
- Mistral API in Python SDK sta vstopni točki za integracijo