Osnovno ustvarjanje govora
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 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 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 modelomvoxtral-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