Mistral: Voxtral TTS 3

Mistral Voxtral TTS 3 adalah model text-to-speech dari Mistral. Model ini berada dalam kategori speech dan diidentifikasi di api14 sebagai mistralai/voxtral-mini-tts-3-0. Model ini diproduksi oleh Mistral, provider yang sama di balik keluarga Voxtral lainnya, dan tugasnya sempit serta spesifik: mengubah teks tertulis menjadi audio lisan, bukan menghasilkan atau menyunting teks.

Model ini menerima teks sebagai satu-satunya input dan mengembalikan speech sebagai satu-satunya output. Model ini memiliki context window 4096 token, dan output maksimum 3276 token, yang membatasi berapa banyak teks yang dapat Anda kirim dalam satu permintaan. Voxtral TTS 3 hadir dengan pustaka suara preset yang besar. Ini mencakup suara Inggris bernama seperti en_paul_neutral, en_paul_happy, en_paul_sad, en_paul_angry dan en_paul_excited, suara Britania seperti gb_oliver_neutral, gb_jane_sarcasm dan gb_jane_confused, suara Prancis seperti fr_marie_neutral dan fr_marie_angry, bersama banyak suara bernomor seperti voice_3150, voice_478 dan voice_3132. Menurut provider, model ini juga mendukung zero-shot voice cloning dan menerima tag emosi serta tempo di dalam teks, yang memungkinkan Anda mengarahkan penyampaian tanpa mengubah naskah dasarnya.

Kegunaan praktisnya mengikuti langsung dari sifat-sifat tersebut. Dengan tag emosi dan tempo plus beragam suara, model ini cocok untuk narasi video dan kursus yang penyampaiannya perlu bergeser antara kalimat tenang, bersemangat atau frustrasi. Kumpulan suara Britania dan Prancis membuatnya dapat digunakan untuk konten terlokalisasi tanpa model terpisah per locale. Zero-shot voice cloning berguna ketika Anda menginginkan suara merek atau karakter yang konsisten di banyak klip, dan pustaka preset mencakup kasus ketika Anda hanya perlu suara natural dengan cepat. Karena outputnya hanya audio, model ini berfungsi baik sebagai tahap terakhir pipeline: hasilkan atau sunting naskah Anda dengan model teks, lalu teruskan teks final ke sini untuk speech.

Memanggilnya melalui api14 bekerja sama seperti model lain di gateway, karena API-nya kompatibel dengan OpenAI. Anda mengirim permintaan ke endpoint speech dengan model id mistralai/voxtral-mini-tts-3-0, meneruskan teks Anda sebagai input, dan memilih suara dari daftar di atas. Perhatikan bahwa model ini melaporkan tidak ada parameter yang didukung miliknya sendiri, jadi Anda tidak boleh mengharapkan gateway meneruskan opsi penyetelan arbitrer seperti temperature atau top_p; pemilihan suara, teks dan tag emosi atau tempo yang Anda sisipkan adalah cara Anda mengontrol hasilnya. Jaga permintaan dalam konteks 4096 token dan batas output 3276 token.

Jika tugas Anda adalah menghasilkan atau menulis ulang teks alih-alih melisankannya, model teks lebih cocok, karena Voxtral TTS 3 hanya menerima teks dan hanya mengembalikan speech. Model ini juga bukan model transkripsi, jadi input audio di luar cakupannya. Untuk dokumen panjang Anda perlu memecah naskah menjadi potongan yang mematuhi batas konteks dan menyambung audio yang dihasilkan.