Mistral: Voxtral Mini TTS

Mistral Voxtral Mini TTS ist ein Text zu Sprache Modell von Mistral, gelistet auf api14 unter der Kategorie speech. Es nimmt Text als einzige Eingabe und erzeugt Sprache als einzige Ausgabe, daher sitzt es in der Synthese Hälfte einer Sprach Pipeline und nicht in der Erkennungs Hälfte. Wenn Sie bereits andere Mistral Modelle über api14 leiten, stammt dieses vom selben Anbieter und folgt demselben Zugriffsmuster.

Das Modell akzeptiert Text und gibt natürlich klingendes Audio zurück. Es unterstützt mehrsprachige Ausgabe, und die verfügbaren Stimmen decken Englisch, britisches Englisch und Französisch ab. Die englischen Stimmen sind unter en_paul gruppiert, mit Varianten für sad, neutral, happy, frustrated, excited, confident, cheerful und angry. Britisches Englisch bietet gb_oliver und gb_jane, jeweils mit eigenen Satz emotionaler Varianten wie curious, confident, cheerful, angry, sarcasm, confusion, shame, jealousy und frustration. Französisch wird von fr_marie bedient, mit den Varianten sad, neutral, happy, excited, curious und angry. Das Kontextfenster beträgt 4096 Token, und die maximale Ausgabe ist 3276, was das Budget ist, das sich Ihr Eingabetext und die erzeugte Sprache teilen, halten Sie also den Quelltext pro Anfrage angemessen kurz.

Diese Fähigkeiten deuten auf einige praktische Verwendungen hin. Sie können Artikel, Dokumentation oder Produkttexte vertonen und eine Stimme wählen, deren emotionaler Ton zum Material passt, zum Beispiel eine fröhliche Stimme für Onboarding Inhalte oder eine neutrale für technisches Vorlesen. Da Stimmen in drei Sprachvarianten existieren, können Sie lokalisiertes Audio für englische, britisch englische und französische Zielgruppen aus demselben Quelltext erzeugen. Die emotionale Bandbreite macht das Modell nutzbar für Dialoge in Spielen oder E Learning, wo eine einzelne Zeile als excited, frustrated oder sad gelesen werden muss. Zero Shot Voice Cloning, wie vom Anbieter beschrieben, ist relevant, wenn Sie eine konsistente benutzerdefinierte Stimme über eine Reihe von Clips hinweg benötigen.

Der Aufruf über api14 funktioniert wie bei jedem anderen OpenAI kompatiblen Modell. Senden Sie eine Anfrage an den chat completions Endpunkt mit der Modell ID "mistralai/voxtral-mini-tts-2603" und Ihrem Text als Eingabe, und die Antwort enthält die erzeugte Sprache. Das Modell listet keine unterstützten Parameter, es gibt also keine Sampling oder Generierungs Schalter, die Sie in der Anfrage justieren können; die Stimmenauswahl ist die Hauptsteuerung, die Sie haben, und Sie wählen sie aus der obigen Stimmenliste. Planen Sie Ihre Integration um den festen Kontext von 4096 Token und die Obergrenze von 3276 Token Ausgabe herum und nicht um anpassbare Einstellungen.

Da die Parameterliste leer ist, eignet sich dieses Modell für unkomplizierte Synthese Aufgaben, bei denen Sie Text und eine Stimme liefern und das Standardverhalten akzeptieren. Wenn Sie feine Kontrolle über Generierungseinstellungen benötigen, oder wenn Ihr Eingabetext regelmäßig das Kontextfenster überschreitet, möchten Sie vielleicht ein anderes Modell oder einen Chunking Schritt vor diesem. Für reine Text zu Sprache in den unterstützten Sprachen und Stimmen deckt es die Aufgabe direkt ab.