Mistral: Voxtral TTS 3

Mistral Voxtral TTS 3 es un modelo de texto a voz de Mistral. Se sitúa en la categoría de voz y se identifica en api14 como mistralai/voxtral-mini-tts-3-0. Lo produce Mistral, el mismo proveedor detrás del resto de la familia Voxtral, y su función es estrecha y específica: convertir texto escrito en audio hablado en lugar de generar o editar texto.

El modelo toma texto como su única entrada y devuelve voz como su única salida. Tiene una ventana de contexto de 4096 tokens, y la salida máxima es de 3276 tokens, lo que limita cuánto texto puedes enviar en una sola solicitud. Voxtral TTS 3 viene con una gran biblioteca de voces predefinidas. Estas incluyen voces inglesas con nombre como en_paul_neutral, en_paul_happy, en_paul_sad, en_paul_angry y en_paul_excited, voces británicas como gb_oliver_neutral, gb_jane_sarcasm y gb_jane_confused, voces francesas como fr_marie_neutral y fr_marie_angry, junto con muchas voces numeradas como voice_3150, voice_478 y voice_3132. Según el proveedor, el modelo también admite clonación de voz zero-shot y acepta etiquetas de emoción y ritmo dentro del texto, lo que te permite dirigir la interpretación sin cambiar el guion subyacente.

Los usos prácticos se derivan directamente de esos rasgos. Con etiquetas de emoción y ritmo más un amplio conjunto de voces, el modelo encaja en narración para vídeos y cursos donde la interpretación necesita cambiar entre líneas tranquilas, emocionadas o frustradas. Los conjuntos de voces británicas y francesas lo hacen utilizable para contenido localizado sin un modelo separado por idioma. La clonación de voz zero-shot es útil cuando quieres una voz de marca o personaje consistente en muchos clips, y la biblioteca predefinida cubre casos en los que solo necesitas una voz natural rápidamente. Como la salida es solo audio, funciona bien como la última etapa de un pipeline: genera o edita tu guion con un modelo de texto, luego pasa el texto final aquí para obtener voz.

Llamarlo a través de api14 funciona igual que cualquier otro modelo en la pasarela, ya que la API es compatible con OpenAI. Envías una solicitud al endpoint de voz con el id de modelo mistralai/voxtral-mini-tts-3-0, pasas tu texto como la entrada, y eliges una voz de la lista anterior. Ten en cuenta que el modelo no reporta parámetros soportados propios, así que no deberías esperar que la pasarela reenvíe opciones de ajuste arbitrarias como temperature o top_p; la selección de voz, el texto y cualquier etiqueta de emoción o ritmo que incorpores son la forma en que controlas el resultado. Mantén las solicitudes dentro del contexto de 4096 tokens y el techo de salida de 3276 tokens.

Si tu tarea es generar o reescribir texto en lugar de hablarlo, un modelo de texto es la mejor opción, ya que Voxtral TTS 3 acepta solo texto y devuelve solo voz. Tampoco es un modelo de transcripción, así que la entrada de audio queda fuera de su alcance. Para documentos largos necesitarás dividir el guion en fragmentos que respeten el límite de contexto y unir el audio resultante.