Mistral: Voxtral Mini TTS

Voxtral TTS هو نموذج Mistral AI لتوليد الكلام بحجم 4B، مع تكييف صوتي قائم على مرجع عبر تسع لغات. يحوّل النص المُعدّ إلى صوت تعبيري، ويدعم توجيهات صوتية قابلة لإعادة الاستخدام أو للاستخدام مرة واحدة والبث، وينتج مخرجًا عند 24 kHz بصيغ صوتية موثّقة.

Ailoot Ultra · توليد الكلام POST /v1/audio/speech mistralai/voxtral-mini-tts-2603

عن النموذج

يغطي هذا الوصف قدرات النموذج. وترد أدناه المدخلات والمخرجات والخيارات المتاحة في Ailoot للطريقة المحددة.

Voxtral TTS هو نموذج Mistral AI لتحويل النص إلى كلام بحجم 4B، لتوليد صوت منطوق من نص ومرجع صوتي. وتعرّف صفحة النموذج لدى الشركة المصنّعة إصدار 2603 باسم voxtral-mini-tts-2603، بينما تسمّى بطاقة الأوزان المنشورة Voxtral 4B TTS 2603. يتعلق هذا الإدخال بإصدار توليد الكلام هذا، وهو منفصل عن Voxtral Small لفهم الصوت والتفريغ ونماذج الإدخال الآنية اللاحقة.

الكلام التعبيري وتكييف الصوت

صُمّم النموذج لالتقاط توقفات الصوت المرجعي وإيقاعه وتنغيمه ولكنته وأدائه العاطفي. يعمل الصوت تعليمةً لكيفية نطق النص؛ ولا تتطلب النظرة العامة لدى الشركة المصنّعة وسومًا منفصلة للتنغيم أو العاطفة، أو تفريغًا للتسجيل المرجعي. يحدد النص المصدر ما يقال، بينما يوجّه المرجع الصوتي الإلقاء.

تصف النظرة العامة إمكانية تكييف صوت انطلاقًا من تسجيل قصير مدته ثانيتان أو ثلاث ثوانٍ فقط. ويناقش وصف البنية توجيهات صوتية من خمس إلى خمس وعشرين ثانية. لهذه العبارات نطاقات مختلفة: فمثال التكييف القصير لا يفرض استخدام أقصر مرجع ممكن. اختر كلامًا واضحًا يمثل الأسلوب واللكنة المطلوبين للنتيجة النهائية.

تتضمن البطاقة المنشورة عشرين صوتًا معدًّا مسبقًا والتكييف لأصوات جديدة. ويمكن لسير عمل الكلام لدى الشركة المصنّعة استخدام ملف تعريف صوتي محفوظ أو مقطع مرجعي لمرة واحدة. يتيح حفظ ملف تعريف صوتي إعادة استخدام المرجع الصوتي نفسه عبر طلبات كلام منفصلة، بينما يوفّر المقطع المستخدم مرة واحدة المرجع للمهمة الحالية. ملف التعريف والتسجيل المولّد مادتان مختلفتان.

اللغات والإلقاء عبر اللغات

يدعم الإصدار الإنجليزية والفرنسية والإسبانية والألمانية والإيطالية والبرتغالية والهولندية والعربية والهندية، مع وصف الشركة المصنّعة تنوع اللهجات ونقل الصوت بين اللغات ومزجها. ولأفضل نتيجة، يوصي دليل الكلام بمطابقة لغة المرجع للغة النص. ويمكن للنقل بين اللغات الحفاظ على لكنة المرجع مع نطق النص المُعدّ بلغة مدعومة أخرى.

يمكن لمهمة سرد عملية استخدام الأسلوب الصوتي نفسه لشرح بلغات مدعومة مختلفة، مع إعداد كل نص للمستمع المقصود. ويمكن لرد مساعد صوتي استخدام نص حواري قصير بدل قراءة مستند غير محرّر بصوت مرتفع. يؤدّي نموذج تحويل النص إلى كلام الكلمات المُعدّة؛ وأي مرحلة ترجمة أو كتابة إجابة تنتج هذه الكلمات خطوة منفصلة.

إعداد النص

يوصي دليل الكلام لدى الشركة المصنّعة بنص قابل للنطق. اكتب الأرقام والرموز بالشكل الذي يجب أن يُنطق حتى لا يحتاج النموذج إلى الاختيار بين قراءات محتملة. قد يكون الرقم كمية أو وقتًا أو معرّفًا؛ حدّد الصياغة المنطوقة المقصودة قبل التوليد. اكتب الاختصارات كاملة عندما يهم النطق، مستخدمًا أحرفًا منفصلة حيث تكون تلك القراءة المقصودة.

تجنب التنسيق الغني والرموز التعبيرية والمحارف الخاصة التي لن تؤدّى محتوى منطوقًا. أعدّ جملًا مكتملة بالترقيم والصياغة اللازمين للإلقاء. يوصي الدليل بتوجيهات أقل من 300 كلمة لأفضل النتائج. وهذه توصية جودة، لا إعلانًا عن حد أقصى صارم لطول الإدخال.

لشرح إجرائي، اكتب الإجراء والشرط في جملة يستطيع المستمع متابعتها. ولإعلان، ضع المعلومات المهمة قبل التفاصيل الاختيارية. ولرد صوتي، احتفظ بالإجابة الواقعية وأزل التنسيق الخاص بالعرض أو إشارات المصدر التي لا ينبغي نطقها. تجعل هذه التهيئة النص نفسه ملائمًا للصوت قبل أن يحدد المرجع أسلوبه.

البث والإخراج والمدة

توثّق الشركة المصنّعة التقديم الأساسي وبالبث، وتصف توليدًا أصليًا يصل إلى دقيقتين من الصوت. وتسرد بطاقة الأوزان المنشورة أيضًا الاستدلال الدفعي لإعداد عدة مهام كلامية. تستخدم عمليات التوليد الأطول في خدمتها التداخل بدل اعتبار جزء أصلي واحد غير محدود. وللسرد الأطول، أعدّ أقسامًا مترابطة وحافظ على اتساق الصوت وإعداد النص مع سير العمل الذي يتولى الاستمرار.

تحدد البطاقة المنشورة صوتًا بمعدل 24 kHz وتسمي صيغ إخراج WAV وPCM وFLAC وMP3 وAAC وOpus. يناقش دليل خدمة الكلام MP3 للتقديم المضغوط وWAV لـPCM غير المضغوط وFLAC للضغط بلا فقد وPCM أوOpus للبث. اختر صيغة يدعمها المسار المتصل وتناسب مشغّله أو خطوة معالجته. اختيار الصيغة وسلوك البث منفصلان عن تكييف الصوت نفسه.

بنية النموذج والحدود العملية

يصف الإعلان بنية انحدارية ذاتية قائمة على مطابقة التدفق، بأساس مفكّك ترميز Transformer بحجم 3.4B، وTransformer صوتي يضم 390 مليون معلمة، ومرمّز صوتي عصبي يضم 300 مليون معلمة. يتنبأ مفكّك الترميز بالمحتوى الدلالي، وينتج المكوّن الصوتي تمثيل الكلام، بينما يتعامل المرمّز مع الصوت. تفسر هذه المكونات تسمية النموذج التقريبية 4B؛ وليست لغات إدخال إضافية أو نموذجًا مختلفًا لتوليد الإجابات.

المخرج العملي هو التسجيل المولّد أو التدفق الصوتي المرتبط بنصه المُعدّ وصوته المختار. احتفظ بهذه الروابط عند توليد أقسام متعددة حتى يستطيع التطبيق حفظ المادة الصحيحة أو تشغيلها أو تجميعها. ينتج النموذج صوتًا بدل تفريغ أو متجه بحث دلالي أو إجابة واقعية مؤلفة حديثًا.

حافظ على إصدار الكلام 2603 واللغة المدعومة وأسلوب المرجع. توفر المصادر المقروءة بيان الدقيقتين الأصلي وتوصية الإعداد بأقل من 300 كلمة، لكنها لا تثبت حدًا أقصى صارمًا منفصلًا لأحرف النص أو مدة إجمالية لتسجيل مجمع. استخدم متطلبات النص والصوت والتقديم الفعلية لتحديد المادة الصوتية المكتملة.

Ailoot Ultra · توليد الكلام POST /v1/audio/speech mistralai/voxtral-mini-tts-2603

mistralai/voxtral-mini-tts-2603

Mistral /mistralai/voxtral-mini-tts-2603

البداية

المدخلات المقبولة: النص
النتائج: الصوت

متاح في Ailoot · المدخلات والطرائق

Ailoot Ultra · توليد الكلام POST /v1/audio/speech

الإدخال: text
الإخراج: audio
صيغة الإخراج: mp3

الحقل	النوع	المتطلب	القيم والحدود	القيمة الافتراضية
الحقل`model`	النوع`string`	المتطلبمطلوب	القيم والحدود mistralai/voxtral-mini-tts-2603	القيمة الافتراضية—
الحقل`input`	النوع`string`	المتطلبمطلوب	القيم والحدود الحد الأدنى للطول: ⁦1⁩ الوحدة: محارف Unicode	القيمة الافتراضية—
الحقل`voice`	النوع`string`	المتطلبمطلوب	القيم والحدود en_paul_sad, en_paul_neutral, en_paul_happy, en_paul_frustrated, en_paul_excited, en_paul_confident, en_paul_cheerful, en_paul_angry, gb_oliver_neutral, gb_oliver_sad, gb_oliver_excited, gb_oliver_curious, gb_oliver_confident, gb_oliver_cheerful, gb_oliver_angry, gb_jane_sarcasm, gb_jane_confused, gb_jane_shameful, gb_jane_sad, gb_jane_neutral, gb_jane_jealousy, gb_jane_frustrated, gb_jane_curious, gb_jane_confident, fr_marie_sad, fr_marie_neutral, fr_marie_happy, fr_marie_excited, fr_marie_curious, fr_marie_angry	القيمة الافتراضية—
الحقل`response_format`	النوع`string`	المتطلبمطلوب	القيم والحدود mp3	القيمة الافتراضية—

تركيبات مواد الإدخال

text_to_speech · مطلوب: input

معلمات الطريقة ودورة حياتها

المعلمة	المواصفات
المعلمة`content_type`	المواصفاتapplication/json
المعلمة`required`	المواصفاتmodel, input, voice, response_format
المعلمة`voice_ids`	المواصفاتen_paul_sad, en_paul_neutral, en_paul_happy, en_paul_frustrated, en_paul_excited, en_paul_confident, en_paul_cheerful, en_paul_angry, gb_oliver_neutral, gb_oliver_sad, gb_oliver_excited, gb_oliver_curious, gb_oliver_confident, gb_oliver_cheerful, gb_oliver_angry, gb_jane_sarcasm, gb_jane_confused, gb_jane_shameful, gb_jane_sad, gb_jane_neutral, gb_jane_jealousy, gb_jane_frustrated, gb_jane_curious, gb_jane_confident, fr_marie_sad, fr_marie_neutral, fr_marie_happy, fr_marie_excited, fr_marie_curious, fr_marie_angry
المعلمة`response_format`	المواصفاتmp3
المعلمة`max_input_characters`	المواصفاتnull
المعلمة`other_options`	المواصفاتfalse
المعلمة`input`	المواصفاتنص UTF-8 الدقيق؛ يُحصى عدد محارف Unicode دون تطبيع
المعلمة`material_types`	المواصفاتtext

دورة الحياة: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · قيمة task_id الفعلية المُعادة أو سجل مكتبة الوسائط

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

اختر الصوت المحدد من ملف إعداد هذا النموذج.

أحرف الإدخال وثواني الصوت مقياسان مختلفان للاستخدام.

الباقات

مراجع التسعير لا تضيف خيارات للطلب. المعلمات المدعومة مذكورة للطريقة المحددة.

الوضع السريع: غير محدد عند اختيار الوضع السريع
الوضع المرن: غير محدد عند اختيار وضع flex
أقصى جهد للاستدلال: غير محدد عندما يُطبَّق الضبط الافتراضي default مع أقصى جهد للاستدلال

تعرفات Ailoot

الأسعار حسب الإعدادات

طابق كل رسم مع الشروط المعروضة. طبّق تعرفة واحدة لكل مجموعة من الإعدادات البديلة.

الإعدادات	جدول التعرفة	الكمية القابلة للفوترة	وحدة الفوترة	الرسوم
الإعداداتالتعرفات الأساسية للرموز	جدول التعرفةالتعرفة الأساسية	الكمية القابلة للفوترة—	وحدة الفوترة—	الرسوم الإدخال · رموز الإدخال — / 1K من الرموز الإخراج · رموز الإخراج — / 1K من الرموز الإدخال · قراءة ذاكرة التخزين المؤقت — / 1K من الرموز الإدخال · الكتابة إلى ذاكرة التخزين المؤقت — / 1K من الرموز الإدخال · الكتابة إلى ذاكرة التخزين المؤقت، 1 ساعة — / 1K من الرموز
الإعداداتUltra	جدول التعرفة—	الكمية القابلة للفوترةتُحتسب كل نقطة ترميز Unicode حرفًا واحدًا، بما في ذلك محارف هان.	وحدة الفوترةلكل 1K حرف مُدخل	الرسوم الإدخال · محرف إدخال $0.032 لكل 1K حرف مُدخل

تفاصيل التعرفة المرجعية

لا تغيّر جداول التعرفة المرجعية على مستوى النموذج اختيار الطريقة أو عروض الأسعار أو الرسوم. وتستخدم الرسوم الفعلية تعرفات طريقة Ailoot المحددة.

Mistral: Voxtral Mini TTS

الأسعار حسب الإعدادات

الإعدادات	شروط الفوترة	الرسوم
الإعداداتMistral: Voxtral Mini TTS · الإعداد الافتراضي	شروط الفوترةالإعداد الافتراضي	الرسوم الإدخال · أحرف الإدخال ⁦‏0.000032 US$⁩ لكل حرف مُدخل

تحجز Ailoot مبلغًا تقديريًا قبل الطلب. وبعد ظهور النتيجة، تُسوّي الرسوم النهائية بناءً على الاستخدام المقاس. وتستخدم تسوية البث سجل الاستخدام النهائي. كيفية عمل حجز المبلغ وتسوية الرسوم →

أمثلة للطلبات

Ailoot Ultra · توليد الكلام

curl

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_VOICE_ID:?Choose an accepted voice ID from this exact model profile}"
export AILOOT_VOICE_ID
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "mistralai/voxtral-mini-tts-2603", "input": "Good afternoon! This is a short voice take."}')
voice=os.environ["AILOOT_VOICE_ID"]
allowed=json.loads('["en_paul_sad", "en_paul_neutral", "en_paul_happy", "en_paul_frustrated", "en_paul_excited", "en_paul_confident", "en_paul_cheerful", "en_paul_angry", "gb_oliver_neutral", "gb_oliver_sad", "gb_oliver_excited", "gb_oliver_curious", "gb_oliver_confident", "gb_oliver_cheerful", "gb_oliver_angry", "gb_jane_sarcasm", "gb_jane_confused", "gb_jane_shameful", "gb_jane_sad", "gb_jane_neutral", "gb_jane_jealousy", "gb_jane_frustrated", "gb_jane_curious", "gb_jane_confident", "fr_marie_sad", "fr_marie_neutral", "fr_marie_happy", "fr_marie_excited", "fr_marie_curious", "fr_marie_angry"]')
if voice not in allowed: raise SystemExit("Choose an accepted voice ID from this exact model profile")
p["voice"]=voice
p["response_format"]="mp3"
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o speech.mp3

استلام النتائج وحفظها

Ailoot Ultra · توليد الكلام

mp3

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

عمليات أخرى لقراءة المحتوى

مكتبة الوسائطحالة المهمةتفاصيل الأصل

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_MEDIA_TASK_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-task.json").read_text())))
PY_RESULT

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"
export AILOOT_ASSET_ID
resource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')
curl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json
python3 - <<'PY_RESULT'
import json
from pathlib import Path
print(json.dumps(json.loads(Path("media-asset.json").read_text())))
PY_RESULT

الاحتفاظ بكل النتائج المكتملة

احتفظ بكل استجابة كاملة وكل ملف وجزء محتوى تم إرجاعه.

احتفظ بالنتيجة الثنائية كاملة وبجميع الترويسات. إذا أُعيدت بيانات JSON أو مخرجات متعددة، فاحتفظ بكل عنصر بيانات واجلب محتوى كل عنوان URL فعلي موقّع لأصل من أصول الوسائط.

عند الحاجة إلى التحقق من الاستجابة الأصلية

احتفظ بقيمة operation_id/X-Client-Request-ID الأصلية للمطابقة دون إعادة الإرسال؛ لا يوجد مسار مخصص للاستعلام الدوري عن الصوت.

حقول الاستجابة

الحقل	النوع
الحقل`binary audio`	النوعbytes
الحقل`response headers`	النوعheaders

الأخطاء والخطوات التالية

الاستجابة	الشرط	الخطوة التالية
الاستجابة⁦400⁩ · `invalid_request_error`	الشرطحقول مطلوبة أو تمثيل مادة أو قيمة معلمة غير صحيحة	الخطوة التاليةصحّح الحقول المحددة قبل طلب إنشاء جديد.
الاستجابة`server_error`	الشرطتشير الاستجابة المُعادة إلى أن العملية أو النتيجة تتطلب التحقق	الخطوة التاليةاحتفظ بمعرّف العملية أو المهمة الأصلي المُعاد، وبترويسات الطلب وبالاستجابة؛ وواصل عمليات القراءة المدعومة لتلك العملية الأصلية. لا تُعِد إرسال طلب الإنشاء.

الأسماء البديلة

الأسماء البديلة للنموذج

Ailoot Ultra mistralai/voxtral-mini-tts-2603

الأسماء البديلة لمسارات الطرائق

استخدم مسارات الطرائق المعروضة أعلاه.

معرّفات النماذج ذات الصلة IDs

mistralai/voxtral-mini-tts-2603

FAQ · Mistral: Voxtral Mini TTS

ما المدخلات والنتائج المتاحة؟: POST /v1/audio/speech · mistralai/voxtral-mini-tts-2603: text → audio
ما الحقول التي يستخدمها الطلب؟: POST /v1/audio/speech · mistralai/voxtral-mini-tts-2603: model, input, voice, response_format

Mistral: Voxtral Mini TTS