Mistral: Voxtral Mini TTS

Mistral Voxtral Mini TTS adalah model text to speech dari Mistral, terdaftar di api14 di bawah kategori speech. Model ini menerima teks sebagai satu satunya input dan menghasilkan speech sebagai satu satunya output, jadi posisinya ada di bagian sintesis dari pipeline speech, bukan di bagian pengenalan. Jika Anda sudah merutekan model Mistral lain melalui api14, model ini berasal dari provider yang sama dan mengikuti pola akses yang sama.

Model ini menerima teks dan mengembalikan audio yang terdengar natural. Model ini mendukung output multibahasa, dan voice yang tersedia mencakup English, British English dan French. Voice English dikelompokkan di bawah en_paul, dengan varian untuk sad, neutral, happy, frustrated, excited, confident, cheerful dan angry. British English menawarkan gb_oliver dan gb_jane, masing masing dengan set varian emosionalnya sendiri seperti curious, confident, cheerful, angry, sarcasm, confusion, shame, jealousy dan frustration. French dilayani oleh fr_marie, dengan varian sad, neutral, happy, excited, curious dan angry. Context window-nya 4096 token, dan output maksimumnya 3276, yang merupakan budget yang dipakai bersama oleh teks input dan speech yang dihasilkan, jadi jaga agar teks sumber cukup pendek per request.

Kemampuan tersebut mengarah ke beberapa penggunaan praktis. Anda dapat menarasikan artikel, dokumentasi atau copy produk dan memilih voice yang tone emosionalnya cocok dengan materinya, misalnya voice cheerful untuk konten onboarding atau voice neutral untuk pembacaan teknis. Karena voice tersedia dalam tiga varian bahasa, Anda dapat menghasilkan audio terlokalisasi untuk audiens English, British English dan French dari teks sumber yang sama. Rentang emosionalnya membuat model ini cocok untuk dialog dalam game atau e learning, di mana satu baris mungkin perlu dibaca sebagai excited, frustrated atau sad. Zero shot voice cloning, seperti yang dijelaskan oleh provider, relevan jika Anda memerlukan voice kustom yang konsisten di seluruh rangkaian klip.

Memanggilnya melalui api14 bekerja seperti model OpenAI compatible lainnya. Kirim request ke endpoint chat completions dengan model id "mistralai/voxtral-mini-tts-2603" dan teks Anda sebagai input, dan response berisi speech yang dihasilkan. Model ini tidak mencantumkan parameter yang didukung, jadi tidak ada knob sampling atau generation yang bisa disetel pada request; pemilihan voice adalah kontrol utama yang Anda miliki, dan Anda memilihnya dari daftar voice di atas. Rencanakan integrasi Anda dengan memperhatikan konteks 4096 token dan batas output 3276 token yang tetap, bukan dengan memperhatikan pengaturan yang dapat disesuaikan.

Karena daftar parameternya kosong, model ini cocok untuk tugas sintesis yang sederhana di mana Anda memberikan teks dan voice lalu menerima perilaku default. Jika Anda memerlukan kontrol yang lebih rinci atas pengaturan generation, atau jika teks input Anda secara rutin melampaui context window, Anda mungkin memerlukan model lain atau langkah chunking di depan model ini. Untuk text to speech biasa dalam bahasa dan voice yang didukung, model ini menangani tugas tersebut secara langsung.