Mistral: Voxtral TTS 3

Mistral Voxtral TTS 3 هو نموذج تحويل النص إلى كلام من Mistral. يقع في فئة الكلام ويُعرَّف على api14 بالمعرّف mistralai/voxtral-mini-tts-3-0. ينتجه Mistral، وهو المزوّد نفسه الذي يقف خلف بقية عائلة Voxtral، ومهمته ضيقة ومحددة: تحويل النص المكتوب إلى صوت منطوق بدلًا من توليد النص أو تحريره.

يأخذ النموذج النص كمدخل وحيد له ويعيد الكلام كمخرج وحيد له. تبلغ نافذة السياق لديه 4096 رمزًا، والحد الأقصى للمخرج هو 3276 رمزًا، وهو ما يحدد مقدار النص الذي يمكنك إرساله في طلب واحد. يأتي Voxtral TTS 3 مزوّدًا بمكتبة كبيرة من الأصوات الجاهزة. تشمل هذه الأصوات أصواتًا إنجليزية مسمّاة مثل en_paul_neutral و en_paul_happy و en_paul_sad و en_paul_angry و en_paul_excited، وأصواتًا بريطانية مثل gb_oliver_neutral و gb_jane_sarcasm و gb_jane_confused، وأصواتًا فرنسية مثل fr_marie_neutral و fr_marie_angry، إلى جانب العديد من الأصوات المرقّمة مثل voice_3150 و voice_478 و voice_3132. وفقًا للمزوّد، يدعم النموذج أيضًا استنساخ الصوت بدون أمثلة تدريبية (zero-shot)، ويقبل وسوم المشاعر والسرعة داخل النص، ما يتيح لك توجيه طريقة الأداء دون تغيير النص الأساسي.

تتبع الاستخدامات العملية مباشرة من هذه الخصائص. مع وسوم المشاعر والسرعة ومجموعة واسعة من الأصوات، يناسب النموذج السرد للفيديوهات والدورات حيث يحتاج الأداء إلى التنقل بين جمل هادئة أو متحمسة أو منفعلة. تجعل مجموعات الأصوات البريطانية والفرنسية النموذج صالحًا للمحتوى المترجم أو المحلي دون الحاجة إلى نموذج منفصل لكل لغة. يكون استنساخ الصوت بدون أمثلة تدريبية مفيدًا عندما تريد صوتًا متسقًا لعلامة تجارية أو شخصية عبر العديد من المقاطع، بينما تغطي المكتبة الجاهزة الحالات التي تحتاج فيها فقط إلى صوت طبيعي بسرعة. ولأن المخرج صوتي فقط، فإنه يعمل جيدًا كمرحلة أخيرة في خط المعالجة: ولّد نصك أو حرّره باستخدام نموذج نصي، ثم مرّر النص النهائي هنا لتحويله إلى كلام.

استدعاؤه عبر api14 يعمل بالطريقة نفسها كأي نموذج آخر على البوابة، لأن واجهة API متوافقة مع OpenAI. ترسل طلبًا إلى نقطة نهاية الكلام (speech endpoint) بالمعرّف mistralai/voxtral-mini-tts-3-0، وتمرّر نصك كمدخل input، وتختار صوتًا من القائمة أعلاه. لاحظ أن النموذج لا يبلّغ عن أي معاملات مدعومة خاصة به، لذا لا ينبغي أن تتوقع أن تمرّر البوابة خيارات ضبط عشوائية مثل temperature أو top_p؛ فاختيار الصوت والنص وأي وسوم للمشاعر أو السرعة تُضمّنها هي وسيلتك للتحكم في النتيجة. أبقِ الطلبات ضمن سياق 4096 رمزًا وسقف المخرج البالغ 3276 رمزًا.

إذا كانت مهمتك توليد النص أو إعادة صياغته بدلًا من نطقه، فإن النموذج النصي هو الأنسب، لأن Voxtral TTS 3 يقبل النص فقط ويعيد الكلام فقط. وهو أيضًا ليس نموذج نسخ (transcription)، لذا فإن إدخال الصوت خارج نطاقه. بالنسبة للمستندات الطويلة، ستحتاج إلى تقسيم النص إلى أجزاء تراعي حد السياق ثم ضمّ الصوت الناتج معًا.