Source: https://ailoot.ai/models/es/mistralai-voxtral-mini-tts-2603/ Canonical: https://ailoot.ai/models/es/mistralai-voxtral-mini-tts-2603/ Language: es # Mistral: Voxtral Mini TTS [Markdown](https://ailoot.ai/models/es/mistralai-voxtral-mini-tts-2603/index.md) · [JSON](https://ailoot.ai/models/es/mistralai-voxtral-mini-tts-2603/facts.json) ## [Mistral: Voxtral Mini TTS](https://ailoot.ai/models/es/mistralai-voxtral-mini-tts-2603/) Voxtral TTS es el modelo de generación de voz de 4B de Mistral AI con adaptación de voz basada en referencias en nueve idiomas. Convierte texto preparado en audio expresivo, admite referencias de voz reutilizables o de un solo uso y streaming, y produce salida de 24 kHz en los formatos de audio documentados. - [**Ailoot Ultra · Síntesis de voz** `POST /v1/audio/speech` `mistralai/voxtral-mini-tts-2603`](https://ailoot.ai/models/es/mistralai-voxtral-mini-tts-2603/#method-0) Sobre el modelo Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado. Voxtral TTS es el modelo de conversión de texto a voz de 4B de Mistral AI para generar audio hablado a partir de texto y una referencia de voz. La página del modelo del fabricante identifica la edición 2603 como voxtral-mini-tts-2603, mientras que la ficha de los pesos publicados se denomina Voxtral 4B TTS 2603. Esta entrada corresponde a esa versión de generación de voz, distinta de Voxtral Small para comprensión de audio, transcripción y modelos posteriores de entrada en tiempo real. Voz expresiva y adaptación de voz El modelo está diseñado para captar las pausas, el ritmo, la entonación, el acento y la expresión emocional de una voz de referencia. La voz actúa como una instrucción sobre cómo debe sonar el texto; la presentación del fabricante no exige etiquetas independientes de prosodia o emoción ni una transcripción de la grabación de referencia. El texto de origen determina lo que se dice, mientras que la referencia de audio orienta la interpretación. La presentación describe la adaptación de una voz con tan solo dos o tres segundos de audio. La descripción de la arquitectura habla de referencias de voz de cinco a veinticinco segundos. Esas afirmaciones tienen alcances diferentes: un ejemplo de adaptación breve no obliga a utilizar la referencia más corta posible. Elija voz clara que represente el estilo y el acento deseados para el resultado final. La ficha publicada incluye veinte voces predefinidas y adaptación a voces nuevas. El flujo de voz del fabricante puede utilizar un perfil de voz guardado o un clip de referencia de un solo uso. Guardar un perfil permite reutilizar la misma referencia de voz en solicitudes de voz independientes, mientras que un clip de un solo uso la proporciona para la tarea actual. Un perfil y una grabación generada son recursos diferentes. Idiomas y locución entre idiomas La versión admite inglés, francés, español, alemán, italiano, portugués, neerlandés, árabe e hindi, con variación dialectal, transferencia de voz entre idiomas y mezcla de idiomas descritas por el fabricante. Para obtener el mejor resultado, la guía de voz recomienda que el idioma de la referencia coincida con el del texto. La transferencia entre idiomas puede conservar el acento de la referencia al pronunciar el texto preparado en otro idioma compatible. Una tarea práctica de narración puede utilizar el mismo estilo de voz para una explicación en distintos idiomas compatibles, con cada texto preparado para su oyente previsto. La respuesta de un asistente de voz puede utilizar un guion breve y conversacional, en lugar de leer en voz alta un documento sin editar. El modelo de conversión de texto a voz pronuncia las palabras preparadas; cualquier fase de traducción o redacción de respuestas que produzca esas palabras es un paso independiente. Preparación del texto La guía de voz del fabricante recomienda texto que pueda verbalizarse. Escriba los números y los símbolos tal como deban pronunciarse para que el modelo no tenga que elegir entre distintas lecturas. Un número puede ser una cantidad, una hora o un identificador; defina la redacción oral prevista antes de la síntesis. Desarrolle las abreviaturas cuando importe la pronunciación y utilice letras separadas cuando esa sea la lectura deseada. Evite formato enriquecido, emojis y caracteres especiales que no vayan a reproducirse como contenido hablado. Prepare oraciones completas con la puntuación y las palabras necesarias para la interpretación. La guía recomienda entradas de menos de 300 palabras para obtener mejores resultados. Es una recomendación de calidad, no una longitud máxima de entrada declarada como límite estricto. Para una explicación de un procedimiento, escriba la acción y la condición en una frase que el oyente pueda seguir. Para un anuncio, coloque la información importante antes de los detalles opcionales. Para una respuesta de voz, conserve la respuesta factual y elimine el formato exclusivo de pantalla o las anotaciones de fuentes que no deban pronunciarse. Estos preparativos hacen que el propio guion sea adecuado para audio antes de que la referencia determine su estilo. Streaming, salida y duración El fabricante documenta entrega básica y en streaming y describe la generación nativa de hasta dos minutos de audio. La ficha de los pesos publicados también incluye inferencia por lotes para preparar varias tareas de voz. Las generaciones más largas del servicio utilizan intercalado, en lugar de tratar un bloque nativo como ilimitado. Para narraciones más largas, prepare secciones coherentes y mantenga constantes la voz y la preparación del texto de acuerdo con el flujo de entrega que gestiona la continuación. La ficha publicada especifica audio de 24 kHz y enumera los formatos de salida WAV, PCM, FLAC, MP3, AAC y Opus. La guía del servicio de voz trata MP3 para entrega comprimida, WAV para PCM sin comprimir, FLAC para compresión sin pérdida y PCM u Opus para streaming. Elija un formato admitido por el flujo conectado y adecuado para su reproductor o fase de procesamiento. La selección del formato y el comportamiento del streaming son distintos de la propia adaptación de voz. Arquitectura del modelo y límites prácticos El anuncio describe una arquitectura autorregresiva de flow matching con una base de decodificador Transformer de 3.4B, un Transformer acústico de 390 millones de parámetros y un códec de audio neuronal de 300 millones de parámetros. El decodificador predice el contenido semántico y el componente acústico produce la representación del habla, mientras que el códec se encarga del audio. Estos componentes explican la denominación aproximada de modelo de 4B; no son idiomas de entrada adicionales ni un modelo distinto de generación de respuestas. Una salida práctica es la grabación sintetizada o el flujo de audio asociado a su guion preparado y a la voz elegida. Conserve esas asociaciones al generar varias secciones para que la aplicación pueda guardar, reproducir o ensamblar el material correcto. El modelo produce audio, en lugar de una transcripción, un vector de búsqueda semántica o una respuesta factual recién redactada. Conserve la edición de voz 2603, el idioma compatible y el estilo de referencia. Las fuentes consultadas aportan la afirmación de dos minutos nativos y la recomendación de preparar menos de 300 palabras, pero no establecen un límite estricto independiente de caracteres de texto ni de duración total de una grabación ensamblada. Utilice los requisitos reales de texto, voz y entrega para definir el recurso de audio terminado. **Ailoot Ultra · Síntesis de voz** `POST /v1/audio/speech` `mistralai/voxtral-mini-tts-2603` [`mistralai/voxtral-mini-tts-2603`](https://ailoot.ai/models/es/#m=mistralai%2Fvoxtral-mini-tts-2603&route=Ultra&caller=mistralai%2Fvoxtral-mini-tts-2603&fmt=speech) Mistral /`mistralai/voxtral-mini-tts-2603` ### Primeros pasos Voxtral TTS es el modelo de generación de voz de 4B de Mistral AI con adaptación de voz basada en referencias en nueve idiomas. Convierte texto preparado en audio expresivo, admite referencias de voz reutilizables o de un solo uso y streaming, y produce salida de 24 kHz en los formatos de audio documentados. Entradas aceptadas Texto Resultados Audio ### Disponible en Ailoot · entradas y métodos **Ailoot Ultra · Síntesis de voz** `POST /v1/audio/speech` Tipos de entrada `text` Tipos de salida `audio` Formato de salida mp3 | Campo | Tipo | Requisito | Valores y límites | Predeterminado | | --- | --- | --- | --- | --- | | Campo`model` | Tipo`string` | RequisitoObligatorio | Valores y límites mistralai/voxtral-mini-tts-2603 | Predeterminado— | | Campo`input` | Tipo`string` | RequisitoObligatorio | Valores y límites Longitud mínima: 1 Unidad: caracteres Unicode | Predeterminado— | | Campo`voice` | Tipo`string` | RequisitoObligatorio | Valores y límites 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 | Predeterminado— | | Campo`response_format` | Tipo`string` | RequisitoObligatorio | Valores y límites mp3 | Predeterminado— | Combinaciones de materiales de entrada **text\_to\_speech** · Obligatorio: input Parámetros del método y ciclo de vida | Parámetro | Contrato | | --- | --- | | Parámetro`content_type` | Contratoapplication/json | | Parámetro`required` | Contratomodel, input, voice, response\_format | | Parámetro`voice_ids` | Contratoen\_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 | | Parámetro`response_format` | Contratomp3 | | Parámetro`max_input_characters` | Contratonull | | Parámetro`other_options` | Contratofalse | | Parámetro`input` | Contratotexto UTF-8 exacto; recuento de caracteres Unicode sin normalización | | Parámetro`material_types` | Contratotext | Ciclo de vida: `synchronous_result_then_owned_library` `GET /v1/media/tasks/{task_id}` · task\_id real devuelto o registro de la biblioteca multimedia `GET /v1/media/assets/{asset_id}/content` `GET /v1/media/assets` `GET /v1/media/assets/{asset_id}` Selecciona una voz exacta de este perfil de modelo. Los caracteres de entrada y los segundos de audio son métricas de consumo diferentes. ### Planes Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado. Modo rápido Sin especificar Cuando se selecciona el modo rápido Modo flex Sin especificar Cuando se selecciona el modo flex Esfuerzo máximo de razonamiento Sin especificar Cuando el esfuerzo máximo de razonamiento utiliza el ajuste predeterminado (default) #### Tarifas de Ailoot #### Precios por configuración Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas. | Configuración | Tabla de tarifas | Cantidad facturable | Unidad de facturación | Cargo | | --- | --- | --- | --- | --- | | ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cantidad facturable— | Unidad de facturación— | Cargo Entrada · Tokens de entrada **—** / 1K tokens Salida · Tokens de salida **—** / 1K tokens Entrada · Lectura de caché **—** / 1K tokens Entrada · Escritura en caché **—** / 1K tokens Entrada · Escritura en caché, 1 hora **—** / 1K tokens | | ConfiguraciónUltra | Tabla de tarifas— | Cantidad facturableCada punto de código Unicode cuenta como un carácter, incluidos los caracteres Han. | Unidad de facturaciónpor 1K caracteres de entrada | Cargo Entrada · carácter de entrada **$0.032** por 1K caracteres de entrada | #### Detalles de la tarifa de referencia Las tablas de referencia del modelo no cambian la selección del método, las estimaciones de coste ni los cargos. Los cargos aplicados usan las tarifas del método Ailoot seleccionado. Mistral: Voxtral Mini TTS #### Precios por configuración | Configuración | Condiciones de facturación | Cargo | | --- | --- | --- | | ConfiguraciónMistral: Voxtral Mini TTS · Configuración predeterminada | Condiciones de facturaciónConfiguración predeterminada | Cargo Entrada · Caracteres de entrada **0,000032 US$** por carácter de entrada | Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. [Cómo funcionan la reserva y la liquidación →](https://ailoot.ai/docs/es/billing/reserve/) ### Solicitudes de ejemplo #### Ailoot Ultra · Síntesis de voz curl ```bash 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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \ --data-binary @request.json -D response-headers.txt -o speech.mp3 ``` ### Recibir y guardar resultados #### Ailoot Ultra · Síntesis de voz mp3 - `GET /v1/media/tasks/{task_id}` - `GET /v1/media/assets/{asset_id}/content` - `GET /v1/media/assets` - `GET /v1/media/assets/{asset_id}` Otras consultas de contenido Biblioteca multimediaEstado de la tareaDetalles del archivo ```bash set -eu : "${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 $AILOOT_API_KEY" -o media-assets.json ``` ```bash set -eu : "${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 $AILOOT_API_KEY" -o media-task.json python3 - <<'PY_RESULT' import json from pathlib import Path print(json.dumps(json.loads(Path("media-task.json").read_text()))) PY_RESULT ``` ```bash set -eu : "${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 ``` ##### Conserva todos los resultados completados Conserva todas las respuestas, archivos y partes de contenido completos recibidos. Conserva el resultado binario completo y las cabeceras. Si se devuelve JSON o varias salidas, conserva todos los elementos de datos y descarga el recurso de cada URL firmada real. ##### Si es necesario revisar la respuesta original Conserva el operation\_id/X-Client-Request-ID original para la conciliación sin volver a enviar la solicitud; no hay una ruta dedicada para consultar periódicamente el audio. Campos de respuesta | Campo | Tipo | | --- | --- | | Campo`binary audio` | Tipobytes | | Campo`response headers` | Tipoheaders | Errores y siguientes pasos | Respuesta | Condición | Siguiente paso | | --- | --- | --- | | Respuesta400 · `invalid_request_error` | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. | | Respuesta`server_error` | CondiciónLa respuesta devuelta indica que la operación o el resultado requiere una comprobación | Siguiente pasoConserva el ID original de operación o tarea devuelto, las cabeceras de la solicitud y la respuesta; continúa con las lecturas admitidas de esa operación original. No vuelvas a enviar la solicitud de creación. | ### Alias #### Alias del modelo **Ailoot Ultra** [`mistralai/voxtral-mini-tts-2603`](https://ailoot.ai/models/es/#m=mistralai%2Fvoxtral-mini-tts-2603&route=Ultra&caller=mistralai%2Fvoxtral-mini-tts-2603&fmt=speech) #### Alias de rutas de métodos Usa las rutas de método indicadas arriba. #### ID de modelo relacionados [`mistralai/voxtral-mini-tts-2603`](https://ailoot.ai/models/es/#m=mistralai%2Fvoxtral-mini-tts-2603&route=Ultra&caller=mistralai%2Fvoxtral-mini-tts-2603&fmt=speech) FAQ · Mistral: Voxtral Mini TTS ¿Qué entradas y resultados están disponibles? `POST /v1/audio/speech` · `mistralai/voxtral-mini-tts-2603`: `text` → `audio` ¿Qué campos utiliza la solicitud? `POST /v1/audio/speech` · `mistralai/voxtral-mini-tts-2603`: `model`, `input`, `voice`, `response_format` Conecta Ailoot a Claude Code, OpenCode, Hermes o tu aplicación. ## La empresa y su cartera de proyectos La empresa y su cartera de proyectos: millones de clientes; ventas por miles de millones al mes. ## Compra tokens con descuento. Ahorro por suscripción para trabajo habitual. Códigos promocionales: hasta el 50% al comprar tokens. Suscripción Elige un plan con descuento para tus peticiones habituales. Código de hasta el 50% Introduce el código al comprar. El precio se recalcula según la promoción vigente. Gasto en el historial Modelo, tokens e importe quedan guardados por cada petición. [Elegir suscripción](https://ailoot.ai/docs/es/billing/subscriptions/) · [Consultar precios de modelos](https://ailoot.ai/models/es/) ## Conecta la API al producto que vendes. SaaS, aplicaciones y bots bajo la oferta y el acuerdo de licencia Ailoot. Solicita una licencia de reventa para redistribuir el acceso. Aplicación comercial Integra generación de texto, imágenes, vídeo y sonido en funciones de pago de tu servicio. Licencia para revendedores Envía descripción del proyecto y esquema de acceso. Solicita condiciones escritas de uso y reventa. Documentos en la web La oferta, el acuerdo de licencia y la política de datos están disponibles antes de conectar. [Solicitar licencia de reventa](mailto:support@ailoot.ai) · [Oferta y acuerdo de licencia](https://ailoot.ai/legal/offer?lang=es) ## Ailoot · La empresa y su cartera de proyectos Ailoot se apoya en la experiencia operativa acumulada, una amplia base de clientes, un servicio estable y el seguimiento continuo de KPI. La empresa y su cartera de proyectos: millones de clientes; ventas por miles de millones al mes. Ailoot aplica esa experiencia operativa al acceso por API a funciones de IA en productos de clientes, agentes, aplicaciones y automatizaciones.