Mistral: Voxtral Mini TTS

Mistral Voxtral Mini TTS es un modelo de texto a voz de Mistral, listado en api14 bajo la categoría speech. Toma texto como su única entrada y produce voz como su única salida, por lo que se sitúa en la mitad de síntesis de un pipeline de voz en lugar de la mitad de reconocimiento. Si ya enrutas otros modelos de Mistral a través de api14, este proviene del mismo proveedor y sigue el mismo patrón de acceso.

El modelo acepta texto y devuelve audio de sonido natural. Admite salida multilingüe, y las voces disponibles cubren inglés, inglés británico y francés. Las voces en inglés se agrupan bajo en_paul, con variantes para sad, neutral, happy, frustrated, excited, confident, cheerful y angry. El inglés británico ofrece gb_oliver y gb_jane, cada una con su propio conjunto de variantes emocionales como curious, confident, cheerful, angry, sarcasm, confusion, shame, jealousy y frustration. El francés es servido por fr_marie, con variantes sad, neutral, happy, excited, curious y angry. La ventana de contexto es de 4096 tokens, y la salida máxima es de 3276, que es el presupuesto que comparten tu texto de entrada y la voz generada, así que mantén el texto fuente razonablemente corto por solicitud.

Esas capacidades apuntan a algunos usos prácticos. Puedes narrar artículos, documentación o textos de producto y elegir una voz cuyo tono emocional coincida con el material, por ejemplo una voz cheerful para contenido de onboarding o una neutral para lectura técnica. Como las voces existen en tres variantes de idioma, puedes producir audio localizado para audiencias de inglés, inglés británico y francés a partir del mismo texto fuente. El rango emocional hace que el modelo sea utilizable para diálogos en juegos o e learning, donde una sola línea puede necesitar leerse como excited, frustrated o sad. El clonado de voz zero shot, según lo descrito por el proveedor, es relevante si necesitas una voz personalizada consistente a lo largo de una serie de clips.

Llamarlo a través de api14 funciona como cualquier otro modelo compatible con OpenAI. Envía una solicitud al endpoint chat completions con el id de modelo "mistralai/voxtral-mini-tts-2603" y tu texto como entrada, y la respuesta contiene la voz generada. El modelo no lista parámetros soportados, así que no hay ajustes de muestreo o generación que configurar en la solicitud; la selección de voz es el control principal que tienes, y la eliges de la lista de voces anterior. Planifica tu integración en torno al contexto fijo de 4096 tokens y al techo de salida de 3276 tokens en lugar de en torno a ajustes configurables.

Debido a que la lista de parámetros está vacía, este modelo es adecuado para trabajos de síntesis directos donde proporcionas texto y una voz y aceptas el comportamiento predeterminado. Si necesitas control fino sobre los ajustes de generación, o si tu texto de entrada supera regularmente la ventana de contexto, quizás quieras un modelo diferente o un paso de chunking delante de este. Para texto a voz simple en los idiomas y voces soportados, cubre la tarea directamente.