Mistral: Voxtral TTS 3

Mistral Voxtral TTS 3 é um modelo de conversão de texto em fala da Mistral. Ele fica na categoria de fala e é identificado na api14 como mistralai/voxtral-mini-tts-3-0. É produzido pela Mistral, o mesmo provedor por trás do resto da família Voxtral, e sua função é estreita e específica: transformar texto escrito em áudio falado, em vez de gerar ou editar texto.

O modelo recebe texto como sua única entrada e retorna fala como sua única saída. Ele tem uma janela de contexto de 4096 tokens, e a saída máxima é de 3276 tokens, o que limita quanto texto você pode enviar em uma única requisição. O Voxtral TTS 3 vem com uma grande biblioteca de vozes predefinidas. Estas incluem vozes inglesas nomeadas como en_paul_neutral, en_paul_happy, en_paul_sad, en_paul_angry e en_paul_excited, vozes britânicas como gb_oliver_neutral, gb_jane_sarcasm e gb_jane_confused, vozes francesas como fr_marie_neutral e fr_marie_angry, além de muitas vozes numeradas como voice_3150, voice_478 e voice_3132. Segundo o provedor, o modelo também suporta clonagem de voz zero-shot e aceita tags de emoção e ritmo dentro do texto, o que permite direcionar a entrega sem alterar o roteiro subjacente.

Os usos práticos decorrem diretamente dessas características. Com tags de emoção e ritmo mais um amplo conjunto de vozes, o modelo serve para narração de vídeos e cursos onde a entrega precisa alternar entre falas calmas, empolgadas ou frustradas. Os conjuntos de vozes britânicas e francesas tornam o modelo utilizável para conteúdo localizado sem um modelo separado por idioma. A clonagem de voz zero-shot é útil quando você quer uma voz de marca ou personagem consistente em muitos clipes, e a biblioteca predefinida cobre casos em que você só precisa de uma voz natural rapidamente. Como a saída é apenas áudio, ele funciona bem como o último estágio de um pipeline: gere ou edite seu roteiro com um modelo de texto, depois passe o texto final aqui para obter a fala.

Chamá-lo através da api14 funciona da mesma forma que qualquer outro modelo no gateway, já que a API é compatível com OpenAI. Você envia uma requisição para o endpoint de fala com o id de modelo mistralai/voxtral-mini-tts-3-0, passa seu texto como entrada e escolhe uma voz da lista acima. Observe que o modelo não reporta parâmetros suportados próprios, então você não deve esperar que o gateway encaminhe opções arbitrárias de ajuste como temperature ou top_p; a seleção de voz, o texto e quaisquer tags de emoção ou ritmo que você inserir são a forma de controlar o resultado. Mantenha as requisições dentro do contexto de 4096 tokens e do teto de saída de 3276 tokens.

Se sua tarefa é gerar ou reescrever texto em vez de falá-lo, um modelo de texto é a melhor opção, já que o Voxtral TTS 3 aceita apenas texto e retorna apenas fala. Ele também não é um modelo de transcrição, então entrada de áudio está fora do escopo. Para documentos longos, você precisará dividir o roteiro em blocos que respeitem o limite de contexto e juntar o áudio resultante.