Voxtral TTS 3

Voxtral TTS 3 — модель синтеза речи Mistral. Она озвучивает готовый текст выбранным голосом, может воспроизвести голос по короткому образцу и позволяет управлять интонацией с помощью тегов эмоций и темпа. По данным разработчика, модель поддерживает более 35 языков и региональных вариантов речи.

Голос, эмоции и произношение

В текст можно добавлять указания для отдельных фрагментов: например, попросить говорить спокойнее или подчеркнуть важную фразу. В официальной документации перечислены 34 тега эмоций и два варианта темпа, а также настройка произношения сложных имён и терминов. Это помогает готовить озвучку, где важны не только слова, но и манера подачи.

Клонирование голоса

Voxtral TTS 3 поддерживает клонирование голоса по аудиозаписи. Mistral различает обычное клонирование и профессиональную адаптацию: для последней компания описывает воспроизведение особенностей голоса, диапазона эмоций и манеры речи по более длинному материалу. Перед использованием чужого голоса необходимо получить соответствующее согласие.

Форматы и стоимость

Документация перечисляет пять форматов вывода: MP3, WAV, PCM, FLAC и Opus. Аудио можно получать частями по мере генерации, чтобы начать воспроизведение до завершения всего файла. В карточке модели указана цена 13 долларов за миллион символов; стоимость конкретного проекта зависит от объёма текста и тарификации сервиса.

Пакетный или realtime-сценарий

Эта модель подходит для озвучивания заранее подготовленного текста и потоковой выдачи готовой реплики. Если текст появляется во время диалога и голосовой ответ должен идти в реальном времени, Mistral выделяет отдельную модель Voxtral TTS Realtime 3. Входную речь можно обрабатывать через Voxtral Mini Transcribe Realtime 3.

Информация о параметрах, API и тарифе опубликована в официальной карточке модели. Полный обзор запуска — в анонсе Mistral.