Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Osnovno ustvarjanje govora

Lekcija 8 od 14 Posodobljeno 3. november 2026 Razvijalec
Na tej strani
  1. Tvoje prvo ustvarjanje govora
  2. Kaj nadzira vsak parameter
  3. Povečanje obsega: Poglavje zvočne knjige
  4. Ko ustvarjanje odpove
  5. Ključne ugotovitve

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 umaknjen 30. aprila 2027, je v primerih nadomeščen z voxtral-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, nastavitev expressiveness, prilagojeno izgovarjavo (phoneme_hints) in podporo za 35 jezikov. Mistral priporoča ponovno merjenje zakasnitve po selitvi. Viri: Migrate from Voxtral 2 · Speech generation.

Tvoje prvo ustvarjanje govora

Zdaj veš, kako ustvariti glas in ga upravljati prek API-ja Voices. Zadnji korak je narediti tisto, zaradi česar si vse to delal: proizvesti zvok. Mistralov API za govor se skrči na en sam klic, client.audio.speech.complete(), ki sprejme besedilo in ID glasu ter vrne zvok, kodiran v base64. Ta lekcija pokriva osnovno ustvarjanje s shranjenim glasom; kloniranje v realnem času in pretakanje sledita v naslednjih korakih.

Koda spodaj je vse, kar potrebuješ, da stavek pretvoriš v datoteko MP3 na svojem disku. Bodi še posebej pozoren na zadnji korak: odgovor ne vsebuje surovih bajtov zvoka, ki bi jih lahko uporabil neposredno, temveč niz base64, ki ga moraš dekodirati, preden zapišeš datoteko. To je klasična napaka začetnikov – če niz shraniš takšnega, kot je, ga avdio-predvajalniki zavrnejo odpreti.

import base64
from pathlib import Path
from mistralai.client import Mistral

client = Mistral(api_key="your-api-key")

# Generate speech with a saved voice
response = client.audio.speech.complete(
    model="voxtral-mini-tts-3-0",
    input="Hello and welcome to this course on Voxtral TTS.",
    voice_id="your-voice-id",
    response_format="mp3",
)

# Decode base64 and save to file
audio_bytes = base64.b64decode(response.audio_data)
Path("output.mp3").write_bytes(audio_bytes)
print(f"Audio generated: {len(audio_bytes)} bytes")

Kaj nadzira vsak parameter

Parameter model določa model sinteze. Danes je na voljo le voxtral-mini-tts-3-0, vendar ga vedno navedi eksplicitno: ko se pojavijo drugi modeli, bo tvoja koda še naprej proizvajala popolnoma enak glas kot danes.

Parameter input sprejme besedilo za izgovoravo in je daleč najbolj zahteven parameter. Dokumentacija za Voxtral 2 je svetovala, naj ostaneš pod 300 besedami na zahtevo; dokumentacija za Voxtral TTS 3 ne določa več omejitve, vendar so zahteve z enim odstavkom lažje obvladljive in ponovljive. Izogibaj se emojijem, ki jih model ne more razumeti, pa tudi kompleksnemu oblikovanju – Markdown, HTML, posebni znaki – ki se konča z dobesednim branjem naglas. Nazadnje, črkuj števila in okrajšave: „triindvajset” namesto „23”, „družba z omejeno odgovornostjo” namesto „d.o.o.”. Glasovni agent, ki se spotakne ob številkah med napovedovanjem zneska, v enem stavku izgubi verodostojnost.

voice_id identificira uporabljeni glas. Dobiš ga na tri načine: z ustvarjanjem glasu prek client.audio.voices.create() (glej lekcijo 5), z izpisom obstoječih glasov prek client.audio.voices.list() ali z ponovno uporabo ID-ja profesionalnega glasu Mistral. response_format nazadnje nastavi izhodni format med mp3, wav, pcm, flac in opus. Ta izbira vpliva tako na velikost datoteke kot na zakasnitev, lekcija 12 pa je v celoti namenjena prav temu.

Povečanje obsega: Poglavje zvočne knjige

Pri nekoliko daljših besedilih je razdeljevanje še vedno najboljša praksa. Načelo je preprosto: pripravi seznam odstavkov, vsakega ustvari posebej, nato pa akumuliraj dekodirane bajte v en medpomnilnik, preden zapišeš končno datoteko.

import base64
from pathlib import Path
from mistralai.client import Mistral

client = Mistral(api_key="your-api-key")
voice_id = "your-voice-id"

# Text split into paragraphs
paragraphs = [
    "First paragraph of the chapter. The narrator introduces the context.",
    "Second paragraph. The action begins to develop.",
    "Third paragraph. Suspense builds gradually.",
]

full_audio = b""

for i, text in enumerate(paragraphs):
    print(f"Generating segment {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 chapter generated successfully!")

Ta skript deluje, ker proizvaja WAV, nekompresiran format, katerega segmente lahko združimo konec za koncem brez posebne obdelave. Poskusi isto stvar z MP3 ali Opus in rezultat bo neuporaben: ti kompresirani formati vsebujejo glave in strukture okvirjev, ki jih surovo združevanje poruši. Namesto tega uporabi knjižnico, kot je pydub, ki dekodira vsak segment, preden jih čisto združi.

Ko ustvarjanje odpove

V produkcijskem okolju moraš zaščititi klic. voice_id, ki ga je kolega včeraj izbrisal, besedilo, ki tiho zraste, ker je bilo polje združeno, kvota API-ja, izčrpana ob koncu meseca, napačno črkovan izhodni format: vsak od teh scenarijev sproži izjemo in brez varoval se tvoja serijska obdelava ustavi sredi korpusa.

try:
    response = client.audio.speech.complete(
        model="voxtral-mini-tts-3-0",
        input="Text to convert to speech.",
        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"Error during generation: {e}")

Vzemi si čas za testiranje te poti obravnave napak pred prehodom v produkcijo: namerno ustvari zvok z napačnim voice_id in preveri, ali tvoja aplikacija to jasno sporoči, namesto da bi proizvedla prazno datoteko.

Ključne ugotovitve

  • Ustvarjanje uporablja client.audio.speech.complete() z modelom voxtral-mini-tts-3-0
  • Dolga besedila razdeli na odstavke in se izogibaj emojijem ter oblikovanju
  • Črkuj števila in okrajšave za pravilno izgovarjavo
  • Vrnjeni zvok je v base64 – pred shranjevanjem ga dekodiraj
  • Pri dolgih besedilih jih razdeli na segmente in združi rezultate