Mistral: Voxtral TTS 3

Mistral Voxtral TTS 3 är en text-till-tal-modell från Mistral. Den tillhör kategorin speech och identifieras på api14 som mistralai/voxtral-mini-tts-3-0. Den produceras av Mistral, samma leverantör som ligger bakom resten av Voxtral-familjen, och dess uppgift är snäv och specifik: att omvandla skriven text till talat ljud i stället för att generera eller redigera text.

Modellen tar text som enda indata och returnerar tal som enda utdata. Den har ett kontextfönster på 4096 tokens, och maximal utdata är 3276 tokens, vilket begränsar hur mycket text du kan skicka i en enskild begäran. Voxtral TTS 3 levereras med ett stort bibliotek av förinställda röster. Dessa inkluderar namngivna engelska röster som en_paul_neutral, en_paul_happy, en_paul_sad, en_paul_angry och en_paul_excited, brittiska röster som gb_oliver_neutral, gb_jane_sarcasm och gb_jane_confused, franska röster som fr_marie_neutral och fr_marie_angry, tillsammans med många numrerade röster som voice_3150, voice_478 och voice_3132. Enligt leverantören stöder modellen även zero-shot-röstkloning och accepterar emotion- och pace-taggar inuti texten, vilket låter dig styra framförandet utan att ändra det underliggande manuset.

De praktiska användningsområdena följer direkt av dessa egenskaper. Med emotion- och pace-taggar plus en bred uppsättning röster passar modellen för berättarröst till videor och kurser där framförandet behöver växla mellan lugna, entusiastiska eller frustrerade repliker. De brittiska och franska röstuppsättningarna gör den användbar för lokaliserat innehåll utan en separat modell per språkvariant. Zero-shot-röstkloning är användbart när du vill ha en konsekvent varumärkes- eller karaktärsröst över många klipp, och det förinställda biblioteket täcker fall där du bara snabbt behöver en naturlig röst. Eftersom utdata endast är ljud fungerar den bra som sista steg i en pipeline: generera eller redigera ditt manus med en textmodell och skicka sedan den slutliga texten hit för tal.

Att anropa den via api14 fungerar på samma sätt som alla andra modeller på gatewayen, eftersom API:et är OpenAI-kompatibelt. Du skickar en begäran till speech-endpointen med modell-id:t mistralai/voxtral-mini-tts-3-0, skickar din text som input och väljer en röst från listan ovan. Observera att modellen inte rapporterar några egna parametrar som stöds, så du bör inte förvänta dig att gatewayen vidarebefordrar godtyckliga justeringsalternativ som temperature eller top_p; röstvalet, texten och eventuella emotion- eller pace-taggar du bäddar in är hur du styr resultatet. Håll begäranden inom kontexten på 4096 tokens och utdatataket på 3276 tokens.

Om din uppgift är att generera eller skriva om text snarare än att tala den är en textmodell bättre lämpad, eftersom Voxtral TTS 3 endast accepterar text och endast returnerar tal. Den är inte heller en transkriberingsmodell, så ljudindata ligger utanför dess omfång. För långa dokument behöver du dela upp manuset i delar som respekterar kontextgränsen och sedan sammanfoga det resulterande ljudet.