Ustvari prilagojen glas
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 opuščen 31. oktobra 2026 in umaknjen 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.
Od posnetka do kloniranega glasu
Ustvarjanje prilagojenega glasu z Voxtralom se skrči na dva koraka: pripravi kakovosten zvočni vzorec in ga nato pošlji API-ju z ustreznimi parametri. Drugi korak traja deset minut; prvi si zasluži več pozornosti, saj določa končni rezultat. Ta lekcija te bo popeljala skozi ustvarjanje tvojega prvega glasu.
Pripravi svoj zvočni vzorec
Zvočni vzorec je temelj tvojega glasu: njegova kakovost neposredno določa kakovost sintetiziranega govora. Model ničesar ne popravlja; reproducira le tisto, kar sliši.
Dokumentacija za Voxtral TTS 3 zahteva posnetek v formatu MP3 ali WAV, ki traja nekaj sekund do nekaj minut (Voxtral 2 je sprejemal od 3 do 30 sekund). V praksi izstopajo trije režimi. Med 3 in 10 sekundami model zajame osnovno barvo glasu, vendar z manj odtenki: glas bo prepoznaven, a ne povsem življenjski. Med 10 in 20 sekundami dobiš dobro ravnovesje med kakovostjo in preprostostjo, kar zadostuje za večino projektov. Pri več kot 20 sekundah modelu ponudiš dovolj gradiva, da zazna subtilnosti – ritem, intonacijo, tiste mikroskopske variacije, zaradi katerih te prijatelj prepozna že po dveh besedah.
Preostane vprašanje, kaj povedati, kar zadrži več ljudi, kot bi pričakoval, ko pride čas za snemanje. Tukaj je referenčni scenarij, ki ga priporoča Mistral:
“Snemam zvočni vzorec za kloniranje svojega glasu. Ko končam, bom lahko ustvaril govor, ki zveni kot jaz. Neverjetno je, kako lahko umetna inteligenca zajame moj način govora, moj ton, moj ritem in celo majhne posebnosti, ki naredijo moj glas edinstven.”
To besedilo ni naključno: zasnovano je tako, da pokrije različne zvoke in intonacije v angleščini, z odprtimi in zaprtimi samoglasniki, zaporniki in vzkličnim stavkom. Kar zadeva datoteko, API sprejema običajne formate – MP3, WAV, FLAC, OGG – datoteka pa se pred pošiljanjem kodira v base64.
Celotna koda v Pythonu
Tukaj je koda za ustvarjanje glasu z vsemi razpoložljivimi parametri:
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}")
Samo dva parametra sta obvezna:
name: prikazno ime tvojega glasu. Izberi opisno ime, ki ti omogoča enostavno identifikacijo (npr.support-assistant-en,podcast-intro)sample_audio: zvočni vzorec, kodiran v base64. To je edini parameter, ki ga po ustvarjanju ni mogoče spremeniti
Ostali parametri so izbirni, vendar ima vsak konkreten namen:
sample_filename: izvirno ime datoteke. Pomaga API-ju zaznati format zvokaslug: identifikator, prijazen za URL. Če je izpuščen, se samodejno ustvari iz imenalanguages: polje kod jezikov ISO (npr.["en", "fr", "es"]). Označuje jezike, za katere je ta glas optimizirangender:"male"ali"female". Uporablja se za filtriranje v vmesnikuage: celo število, ki predstavlja približno starost govorca. Pomaga pri kategorizaciji glasutags: polje poljubnih nizov za organizacijo tvojih glasov (npr.["commercial", "dynamic"])
Pri projektu z enim samim glasom bi lahko vse izpustil. Pri katalogu tridesetih glasov, razpršenih med več strankami, ti bodo oznake in jeziki, določeni ob ustvarjanju, prihranili ure razvrščanja.
Snemanje iz brskalnika
Če ne želiš upravljati z zvočnimi datotekami, ti Mistral Studio omogoča snemanje neposredno iz brskalnika:
- Pojdi v razdelek Audio > Text to Speech
- Klikni My Voices in nato Add a new voice
- Vnesi ime svojega glasu
- Klikni gumb za snemanje in govori 10 do 30 sekund
- Potrdi – tvoj glas je takoj na voljo
Ta metoda odlično deluje za hitre teste ali kadar oseba, ki posodi svoj glas, ni tista, ki piše kodo – igralec ali vodstveni delavec bo vajbo raje opravil v brskalniku kot v terminalu.
Preveri svoj glas
Nikoli ne nadaljuj, ne da bi poslušal rezultat. Takoj ko je ustvarjanje končano, ustvari testni stavek:
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!")
Poslušaj na slušalkah, ne na zvočnikih prenosnika: tam napake v barvi glasu niso slišne. Če rezultat ni zadovoljiv, ustvari nov glas z boljšim vzorcem, namesto da bi uporabljal istega – API tako ali tako ne omogoča zamenjave zvoka obstoječega glasu, vztrajanje pri slabem posnetku pa bo težavo le odlagalo.
Ključne ugotovitve
- Posnetek (MP3 ali WAV) lahko traja od nekaj sekund do nekaj minut; ciljaj na vsaj 10 do 20 sekund raznolikega govora
- Zvočna datoteka se pred pošiljanjem API-ju kodira v base64
- Parametra
nameinsample_audiosta obvezna; ostali so izbirni - Mistral Studio omogoča snemanje neposredno iz brskalnika
- Svoj glas vedno takoj po ustvarjanju testiraj