Skapa en anpassad röst
På denna sida
Kursen uppdaterad 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, avvecklad 31 oktober 2026 och helt borttagen 30 april 2027, ersätts i exemplen medvoxtral-mini-tts-3-0. Fördefinierade röster från Voxtral 2 (gb_jane_neutral…) accepteras fortfarande; Voxtral 3 lägger till taggarna[emotion=…]och[pace=…]i texten, inställningenexpressiveness, anpassat uttal (phoneme_hints) samt stöd för 35 språk. Mistral rekommenderar att du mäter latensen på nytt efter migreringen. Källor: Migrate from Voxtral 2 · Speech generation.
Från inspelning till klonad röst
Att skapa en anpassad röst med Voxtral handlar om två steg: förbered ett ljudprov av hög kvalitet och skicka det sedan till API:t med rätt parametrar. Det andra steget tar tio minuter; det första förtjänar mer uppmärksamhet eftersom det avgör resultatet. I denna lektion går vi igenom hur du skapar din första röst.
Förbered ditt ljudprov
Ljudprovet är grunden för din röst: kvaliteten avgör direkt kvaliteten på det syntetiska talet. Modellen korrigerar ingenting; den återger exakt det den hör.
Med Voxtral TTS 3 kräver dokumentationen en MP3- eller WAV-inspelning på några sekunder upp till några minuter (Voxtral 2 accepterade 3 till 30 sekunder). I praktiken finns tre lägen. Mellan 3 och 10 sekunder fångar modellen den grundläggande klangfärgen men med färre nyanser: rösten blir igenkännbar men inte helt livslik. Mellan 10 och 20 sekunder får du en bra kompromiss mellan kvalitet och enkelhet, vilket räcker för de flesta projekt. Över 20 sekunder ger du modellen tillräckligt med material för att fånga subtiliteter – rytm, intonation, de mikroskopiska variationer som gör att en vän känner igen dig på två ord.
Återstår frågan vad du ska säga, ett problem som stoppar fler än du tror när det är dags att trycka på inspelning. Här är ett referensmanus som Mistral rekommenderar:
“I am recording an audio sample to clone my voice. Once finished, I will be able to generate speech that sounds like me. It is incredible how AI can capture my way of speaking, my tone, my rhythm, and even the small quirks that make my voice unique.”
Denna text är inte godtycklig: den är designad för att täcka en variation av ljud och intonationer på engelska, med öppna och slutna vokaler, klusiler och en utropsmening. När det gäller filformat accepterar API:t vanliga format – MP3, WAV, FLAC, OGG – och filen kodas i base64 innan den skickas.
Fullständig Python-kod
Här är koden för att skapa en röst med alla tillgängliga parametrar:
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}")
Endast två parametrar är obligatoriska:
name: visningsnamnet på din röst. Välj ett beskrivande namn som gör det enkelt att identifiera den (t.ex.support-assistant-en,podcast-intro)sample_audio: ljudprovet kodat i base64. Detta är den enda parametern som inte kan ändras efter skapandet
De övriga är valfria, men var och en fyller ett konkret syfte:
sample_filename: det ursprungliga filnamnet. Hjälper API:t att identifiera ljudformatetslug: en URL-vänlig identifierare. Om den utelämnas genereras den automatiskt från namnetlanguages: en array med ISO-språkkoder (t.ex.["en", "fr", "es"]). Anger vilka språk rösten är optimerad förgender:"male"eller"female". Används för filtrering i gränssnittetage: ett heltal som representerar talarens ungefärliga ålder. Hjälper till att kategorisera röstentags: en array med fria textsträngar för att organisera dina röster (t.ex.["commercial", "dynamic"])
Vid ett projekt med endast en röst kan du frestas att utelämna allt. Men i en katalog med trettio röster spridda över flera kunder sparar taggar och språk angivna vid skapandet dig timmar av sortering.
Spela in direkt i webbläsaren
Om du föredrar att slippa hantera ljudfiler låter Mistral Studio dig spela in direkt från din webbläsare:
- Gå till sektionen Audio > Text to Speech
- Klicka på My Voices och sedan Add a new voice
- Ange namnet på din röst
- Klicka på inspelningsknappen och tala i 10 till 30 sekunder
- Bekräfta – din röst är omedelbart tillgänglig
Denna metod fungerar utmärkt för snabba tester, eller när personen som lånar ut sin röst inte är samma person som skriver koden – en skådespelare eller chef är ofta mer benägen att genomföra övningen i en webbläsare än i en terminal.
Verifiera din röst
Gå aldrig vidare utan att lyssna på resultatet. Så snart skapandet är klart, generera en testmening:
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!")
Lyssna med hörlurar, inte via laptophögtalare: klangfärgsdefekter är ohörbara där. Om resultatet inte tillfredsställer dig, skapa en ny röst med ett bättre prov snarare än att återanvända samma – API:t tillåter ändå inte att du byter ut ljudet för en befintlig röst, och att envist hålla fast vid en dålig inspelning skjuter bara upp problemet.
Viktiga punkter
- Inspelningen (MP3 eller WAV) kan vara från några sekunder upp till några minuter; sikta på minst 10 till 20 sekunder med varierat tal
- Ljudfilen kodas i base64 innan den skickas till API:t
- Parametrarna
nameochsample_audioär obligatoriska; de övriga är valfria - Mistral Studio låter dig spela in direkt från webbläsaren
- Testa alltid din röst omedelbart efter skapandet