Mistral: Voxtral Mini TTS

Mistral Voxtral Mini TTS är en text till tal modell från Mistral, listad på api14 under kategorin speech. Den tar text som enda indata och producerar tal som enda utdata, så den tillhör synteshalvan av en talpipeline snarare än igenkänningshalvan. Om du redan dirigerar andra Mistral modeller genom api14 kommer den här från samma leverantör och följer samma åtkomstmönster.

Modellen tar emot text och returnerar naturligt klingande ljud. Den stöder flerspråkig utdata, och de tillgängliga rösterna täcker engelska, brittisk engelska och franska. De engelska rösterna är grupperade under en_paul, med varianter för sad, neutral, happy, frustrated, excited, confident, cheerful och angry. Brittisk engelska erbjuder gb_oliver och gb_jane, var och en med sin egen uppsättning emotionella varianter som curious, confident, cheerful, angry, sarcasm, confusion, shame, jealousy och frustration. Franska betjänas av fr_marie, med varianterna sad, neutral, happy, excited, curious och angry. Kontextfönstret är 4096 tokens, och maxutdata är 3276, vilket är budgeten som din indatatext och det genererade talet delar, så håll källtexten rimligt kort per begäran.

Dessa förmågor pekar mot några praktiska användningar. Du kan berätta artiklar, dokumentation eller produkttexter och välja en röst vars emotionella ton matchar materialet, till exempel en cheerful röst för onboardinginnehåll eller en neutral för teknisk uppläsning. Eftersom röster finns i tre språkvarianter kan du producera lokaliserat ljud för engelska, brittisk engelska och franska målgrupper från samma källtext. Det emotionella omfånget gör modellen användbar för dialog i spel eller e learning, där en enda replik kan behöva läsas som excited, frustrated eller sad. Zero shot voice cloning, enligt leverantörens beskrivning, är relevant om du behöver en konsekvent anpassad röst över en serie klipp.

Att anropa den genom api14 fungerar som vilken annan OpenAI kompatibel modell som helst. Skicka en begäran till chat completions endpointen med modell id "mistralai/voxtral-mini-tts-2603" och din text som indata, och svaret innehåller det genererade talet. Modellen listar inga parametrar som stöds, så det finns inga sampling eller generationsreglage att justera i begäran; röstvalet är den huvudsakliga kontrollen du har, och du väljer den från röstlistan ovan. Planera din integration kring den fasta kontexten på 4096 tokens och utdatataket på 3276 tokens snarare än kring justerbara inställningar.

Eftersom parameterlistan är tom passar denna modell för enkla syntesjobb där du anger text och en röst och accepterar standardbeteendet. Om du behöver fin kontroll över generationsinställningar, eller om din indatatext regelbundet överskrider kontextfönstret, kan du vilja ha en annan modell eller ett chunkingsteg framför denna. För vanlig text till tal i de språk och röster som stöds täcker den uppgiften direkt.