Mistral: Voxtral TTS 3

Mistral Voxtral TTS 3 est un modèle de synthèse vocale de Mistral. Il appartient à la catégorie speech et est identifié sur api14 comme mistralai/voxtral-mini-tts-3-0. Il est produit par Mistral, le même fournisseur derrière le reste de la famille Voxtral, et son rôle est étroit et spécifique : transformer du texte écrit en audio parlé plutôt que de générer ou modifier du texte.

Le modèle prend le texte comme seule entrée et renvoie la parole comme seule sortie. Il dispose d'une fenêtre de contexte de 4096 tokens, et la sortie maximale est de 3276 tokens, ce qui limite la quantité de texte que vous pouvez envoyer dans une seule requête. Voxtral TTS 3 est livré avec une grande bibliothèque de voix prédéfinies. Celles-ci incluent des voix anglaises nommées telles que en_paul_neutral, en_paul_happy, en_paul_sad, en_paul_angry et en_paul_excited, des voix britanniques telles que gb_oliver_neutral, gb_jane_sarcasm et gb_jane_confused, des voix françaises telles que fr_marie_neutral et fr_marie_angry, ainsi que de nombreuses voix numérotées comme voice_3150, voice_478 et voice_3132. Selon le fournisseur, le modèle prend également en charge le clonage vocal zero-shot et accepte des balises d'émotion et de rythme à l'intérieur du texte, ce qui vous permet d'orienter la diction sans modifier le script sous-jacent.

Les usages pratiques découlent directement de ces caractéristiques. Avec les balises d'émotion et de rythme ainsi qu'un large ensemble de voix, le modèle convient à la narration pour des vidéos et des cours où la diction doit alterner entre des répliques calmes, enthousiastes ou frustrées. Les ensembles de voix britanniques et françaises le rendent utilisable pour du contenu localisé sans modèle distinct par locale. Le clonage vocal zero-shot est utile lorsque vous souhaitez une voix de marque ou de personnage cohérente sur de nombreux clips, et la bibliothèque prédéfinie couvre les cas où vous avez simplement besoin rapidement d'une voix naturelle. Comme la sortie est uniquement audio, il fonctionne bien comme dernière étape d'un pipeline : générez ou modifiez votre script avec un modèle de texte, puis transmettez le texte final ici pour la parole.

L'appeler via api14 fonctionne de la même manière que pour tout autre modèle sur la passerelle, puisque l'API est compatible OpenAI. Vous envoyez une requête au point de terminaison speech avec l'identifiant de modèle mistralai/voxtral-mini-tts-3-0, transmettez votre texte comme entrée, et choisissez une voix dans la liste ci-dessus. Notez que le modèle ne signale aucun paramètre pris en charge qui lui soit propre, donc vous ne devez pas vous attendre à ce que la passerelle transmette des options de réglage arbitraires telles que temperature ou top_p ; la sélection de la voix, le texte et toute balise d'émotion ou de rythme que vous intégrez sont la façon dont vous contrôlez le résultat. Gardez les requêtes dans la limite de contexte de 4096 tokens et le plafond de sortie de 3276 tokens.

Si votre tâche consiste à générer ou réécrire du texte plutôt qu'à le prononcer, un modèle de texte est plus adapté, car Voxtral TTS 3 accepte uniquement du texte et renvoie uniquement de la parole. Ce n'est pas non plus un modèle de transcription, donc l'entrée audio est hors périmètre. Pour les documents longs, vous devrez découper le script en segments qui respectent la limite de contexte et assembler l'audio résultant.