Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Modeller för Voxtral TTS

Lektion 2 av 14 Uppdaterad 3 november 2026 Utvecklare
På denna sida
  1. Voxtral Mini TTS: Referensmodellen
  2. Tekniska specifikationer
  3. Förintegrerade professionella röster
  4. Öppna vikter: Alternativ för egen hosting
  5. Användning via Mistral API
  6. Utvecklingsplan
  7. Viktiga punkter

Kursen uppdaterad den 3 november 2026 för Voxtral TTS 3, baserat på guiden Migrate from Voxtral 2 och Mistrals sidor om Text to Speech: voxtral-mini-tts-2603, som avvecklades den 31 oktober 2026 och tas bort helt den 30 april 2027, ersätts i exemplen med voxtral-mini-tts-3-0. Fördefinierade röster från Voxtral 2 (gb_jane_neutral…) stöds fortfarande; Voxtral 3 lägger till taggar för [emotion=…] och [pace=…] i texten, inställningen expressiveness, anpassat uttal (phoneme_hints) samt stöd för 35 språk. Mistral rekommenderar att du mäter om latensen efter migreringen. Källor: Migrate from Voxtral 2 · Speech generation.

Voxtral Mini TTS: Referensmodellen

Syntesmodellen i Voxtral-familjen är Voxtral TTS 3, identifierad i API:t som voxtral-mini-tts-3-0 (alias voxtral-mini-tts-3). Detta är den slug du ska använda i varje API-anrop: memorera den, eftersom det är den enda strängen i denna kurs du behöver kunna utantill. Modellen är designad för att erbjuda en optimal balans mellan röstkvalitet, latens och kostnad, vilket förklarar varför den ensam täcker nästan alla professionella användningsområden.

Voxtral Mini TTS är en grundmodell för röster. Denna distinktion är inte bara kosmetisk: äldre TTS-system klippte texten i fonem och satte ihop dem från en ljudbank, vilket resulterade i hackiga röster där varje stavelse verkade oberoende av den föregående. Voxtral genererar istället tal genom att förstå textens semantiska kontext. I en mening som “He didn’t say that” vet modellen var betoningen ska ligga eftersom den har tolkat meningsbyggnaden, vilket ger ett naturligt prosodi med konsekvent intonation från början till slut.

Tekniska specifikationer

Modellen voxtral-mini-tts-3-0 har följande specifikationer:

FunktionVärde
ModelllatensCirka 90 millisekunder innan första ljudet hörs
Språk35 språk och över 50 dialekter; fördefinierade röster på 22 språk
RöstkloningZero-shot från en MP3- eller WAV-inspelning på allt från några sekunder till några minuter
Kontroll34 emotionstaggar, hastighetstaggar, expressiveness, anpassat uttal
UtdataformatMP3 (standard), WAV, PCM, FLAC, Opus — mono, 24 kHz
StrömningStöds i realtid
Pris per den 3 november 202613 USD per miljon tecken

De där 90 millisekunderna förtjänar en andra tanke: detta är fördröjningen innan det första ljudfragmentet blir tillgängligt, inte den totala genereringstiden. I en konversationsassistent avgör just denna siffra om utbytet känns naturligt eller mödosamt.

Förintegrerade professionella röster

Utöver röstkloning erbjuder Mistral AI ett bibliotek med professionella röster redo för omedelbar användning. Dessa röster har spelats in i studio och optimerats för olika användningsområden. De gör ovärderlig nytta i början av ett projekt: om du vill verifiera att din pipeline fungerar innan du ens organiserar en inspelningssession med din valda röstskådespelare, låter en förintegrerad röst dig testa allt samma dag.

I Mistral Studio, webbgränssnittet, kan du utforska dessa röster och filtrera dem efter tre kriterier: kön (manligt eller kvinnligt), röstens primära språk och emotion, det vill säga den känslomässiga tonen – neutral, entusiastisk, lugn och så vidare. Varje röst är tillgänglig via sitt voice_id i API:t, exakt som en röst du klonat själv: din kod ändras inte en enda rad när du byter från demorösten till den slutgiltiga rösten.

Öppna vikter: Alternativ för egen hosting

Den tidigare generationen, Voxtral TTS (voxtral-mini-tts-2603), släpptes med sina vikter – en modell med 4 miljarder parametrar på Hugging Face – under licensen CC BY-NC 4.0. Detta är inte en öppen källkodslicens i vanlig mening: den förbjuder kommersiell användning. Den tillåter experiment och prototyputveckling på din egen infrastruktur utan att några röstprover lämnar ditt nätverk, men en kommersiell produkt måste använda API:t eller ingå ett avtal med Mistral AI. Från och med idag nämner inte dokumentationen för Voxtral TTS 3 några öppna vikter.

För organisationer som lyder under sekretesskrav – som en vårdgivare eller en statlig myndighet – uppstår frågan därför i två delar: är användningen kommersiell, och täcker den öppna modellen de erforderliga språken och kvaliteten? Om inte, måste du granska API:ts avtalsmässiga åtaganden (hosting, datalagring).

Användning via Mistral API

För att använda Voxtral Mini TTS via API:t måste du först initiera klienten med din API-nyckel:

from mistralai.client import Mistral

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

Modellen refereras sedan med sin identifierare voxtral-mini-tts-3-0 i varje genereringsanrop. I kommande lektioner kommer du att se hur du skapar röster och genererar tal; detta client-objekt kommer att vara startpunkten för alla följande exempel.

Om du föredrar en kodfri approach erbjuder Mistral Studio ett grafiskt gränssnitt tillgängligt på studio.mistral.ai. Där kan du lyssna på tillgängliga professionella röster, spela in din egen röst direkt från webbläsaren, testa röstgenerering med olika texter och justera parametrar – språk, emotion, format. Det är det ideala prototypverktyget: verifiera på tio minuter att en röst passar projektet, gå sedan över till kod när beslutet är fattat.

Utvecklingsplan

Mistral AI har meddelat att fler modeller kommer att ansluta sig till Voxtral-familjen: lättare modeller för inbyggda system och mobila applikationer, kraftfullare modeller för expressiv röstgenerering och kontinuerliga förbättringar av flerspråkig kvalitet. Designa därför dina integrationer genom att isolera modellnamnet i en konfigurationsvariabel istället för att sprida ut det i hela din kod – den dag en efterträdare dyker upp tar migreringen bara en rad. Fram till dess förblir voxtral-mini-tts-3-0 referensen och täcker den stora majoriteten av professionella användningsområden.

Viktiga punkter

  • Den primära modellen är voxtral-mini-tts-3-0, optimerad för kvalitet och latens
  • Förintegrerade professionella röster finns tillgängliga för att komma igång utan ljudsample
  • Den tidigare modellen har öppna vikter och kan hostas själv (icke-kommersiellt)
  • Mistral Studio erbjuder ett grafiskt gränssnitt för kodfri testning
  • Mistral API och Python SDK är ingångspunkterna för integration