Mistral: Voxtral Mini TTS

O Mistral Voxtral Mini TTS é um modelo de conversão de texto em fala da Mistral, listado na api14 sob a categoria speech. Ele recebe texto como sua única entrada e produz fala como sua única saída, portanto fica na metade de síntese de um pipeline de fala, e não na metade de reconhecimento. Se você já encaminha outros modelos da Mistral pela api14, este vem do mesmo provedor e segue o mesmo padrão de acesso.

O modelo aceita texto e retorna áudio com som natural. Ele oferece suporte a saída multilíngue, e as vozes disponíveis cobrem inglês, inglês britânico e francês. As vozes em inglês estão agrupadas sob en_paul, com variantes para sad, neutral, happy, frustrated, excited, confident, cheerful e angry. O inglês britânico oferece gb_oliver e gb_jane, cada uma com seu próprio conjunto de variantes emocionais, como curious, confident, cheerful, angry, sarcasm, confusion, shame, jealousy e frustration. O francês é atendido por fr_marie, com as variantes sad, neutral, happy, excited, curious e angry. A janela de contexto é de 4096 tokens, e a saída máxima é de 3276, que é o orçamento compartilhado entre o seu texto de entrada e a fala gerada, então mantenha o texto de origem razoavelmente curto por requisição.

Essas capacidades apontam para alguns usos práticos. Você pode narrar artigos, documentação ou textos de produto e escolher uma voz cujo tom emocional combine com o material, por exemplo uma voz cheerful para conteúdo de onboarding ou uma neutra para leitura técnica. Como existem vozes em três variantes de idioma, você pode produzir áudio localizado para públicos de inglês, inglês britânico e francês a partir do mesmo texto de origem. A variedade emocional torna o modelo utilizável para diálogos em jogos ou e learning, onde uma única fala pode precisar soar excited, frustrated ou sad. A clonagem de voz zero shot, conforme descrita pelo provedor, é relevante se você precisar de uma voz personalizada consistente ao longo de uma série de clipes.

Chamá-lo pela api14 funciona como qualquer outro modelo compatível com OpenAI. Envie uma requisição para o endpoint chat completions com o id de modelo "mistralai/voxtral-mini-tts-2603" e seu texto como entrada, e a resposta contém a fala gerada. O modelo não lista parâmetros suportados, então não há ajustes de amostragem ou geração para configurar na requisição; a seleção de voz é o principal controle que você tem, e você a escolhe na lista de vozes acima. Planeje sua integração em torno do contexto fixo de 4096 tokens e do teto de saída de 3276 tokens, em vez de em torno de configurações ajustáveis.

Como a lista de parâmetros está vazia, este modelo serve para tarefas de síntese diretas em que você fornece texto e uma voz e aceita o comportamento padrão. Se você precisa de controle fino sobre as configurações de geração, ou se seu texto de entrada excede regularmente a janela de contexto, talvez você queira um modelo diferente ou uma etapa de chunking antes deste. Para conversão simples de texto em fala nos idiomas e vozes suportados, ele cobre a tarefa diretamente.