Mistral: Voxtral Mini TTS
Voxtral TTS は、9 言語で参照音声に基づく声の適応を行う、Mistral AI の 40 億パラメータの音声生成モデルです。準備した文字を表現豊かな音声に変え、再利用型または単発の音声プロンプトとストリーミングに対応し、文書化された音声形式で 24 kHz の出力を生成します。
モデルについて
この説明はモデルの機能を紹介するものです。Ailootで利用できる入力、出力、オプションは、選択したメソッドごとに以下に記載されています。
Voxtral TTS は、文字と参照音声から発話音声を生成する Mistral AI の 40 億パラメータのテキスト読み上げモデルです。メーカーのモデルページは 2603 版を voxtral-mini-tts-2603 と識別し、公開された重みのカードは Voxtral 4B TTS 2603 という名称です。この項目はその音声生成リリースを扱い、Voxtral Small の音声理解、書き起こし、後のリアルタイム入力モデルとは区別します。
表現豊かな音声と声の適応
モデルは参照音声の間、リズム、イントネーション、アクセント、感情表現を捉えるよう設計されています。声は、文字をどのように聞かせるかを示す指示として働きます。メーカーの概要は、別の韻律・感情タグや、参照録音の書き起こしを要求していません。原文が何を言うかを決め、参照音声がその話し方を導きます。
概要は、わずか 2～3 秒の音声から声を適応させることを説明しています。アーキテクチャの説明では、5～25 秒の音声プロンプトを扱います。これらの記述は対象範囲が異なり、短い適応例は可能な限り短い参照音声を使うという要件ではありません。最終結果に必要なスタイルとアクセントを代表する、明瞭な発話を選んでください。
公開カードには 20 のプリセット音声と、新しい声への適応が含まれます。メーカーの音声ワークフローは、保存済み音声プロファイルまたは単発の参照クリップを使えます。プロファイルを保存すると、別々の音声リクエストで同じ参照音声を再利用でき、単発クリップは今回の作業だけに参照を提供します。プロファイルと生成録音は異なる成果物です。
言語と言語をまたぐ話し方
リリースは、英語、フランス語、スペイン語、ドイツ語、イタリア語、ポルトガル語、オランダ語、アラビア語、ヒンディー語に対応し、メーカーは方言の違い、言語をまたぐ声の転用、言語混合を説明しています。音声ガイドは、最良の結果を得るため、参照音声の言語を文字の言語に合わせるよう推奨します。言語間の転用では、準備した文字を別の対応言語で話しながら、参照音声のアクセントを保てます。
実用的なナレーションでは、同じ声のスタイルで異なる対応言語の説明を作り、それぞれの文字を想定リスナー向けに準備できます。音声アシスタントの応答には、未編集文書を朗読する代わりに短い会話原稿を使えます。テキスト読み上げモデルは準備した言葉を音声化するもので、それらの言葉を作る翻訳や回答執筆は別工程です。
文字の準備
メーカーの音声ガイドは、発話可能な文字を推奨します。モデルが複数の読みから選ぶ必要がないよう、数字や記号を読み上げる形で書いてください。数値は数量、時刻、識別子のいずれかになり得るため、合成前に意図した発話を定義します。発音が重要な略語は展開し、文字ごとに読む意図なら文字を分けて書いてください。
読み上げ内容として表現されない装飾書式、絵文字、特殊文字を避けます。話し方に必要な句読点と言葉を備えた完結した文を準備してください。ガイドは最良の結果のため、300 単語未満のプロンプトを推奨しています。これは品質上の推奨で、宣言された厳密な最大入力長ではありません。
手順の説明では、リスナーが追える文に行動と条件を書きます。お知らせでは任意の詳細より先に重要な情報を置いてください。音声応答では事実に基づく答えを保ち、読み上げるべきではない表示専用の書式や出典表記を除きます。これらの準備によって、参照音声がスタイルを決める前に、原稿自体を音声向けに整えられます。
ストリーミング、出力、時間
メーカーは基本配信とストリーミング配信を文書化し、ネイティブ生成で最大 2 分の音声を作れると説明しています。公開された重みのカードは、複数の音声作業を準備するためのバッチ推論も挙げています。サービスのより長い生成は、1 つのネイティブチャンクを無制限と扱うのではなく、インターリーブを使います。長いナレーションでは、まとまりのある区間を準備し、継続処理を扱う配信ワークフローに合わせて声と文字の準備を統一してください。
公開カードは 24 kHz 音声を指定し、出力形式として WAV、PCM、FLAC、MP3、AAC、Opus を挙げています。音声サービスのガイドは、圧縮配信用の MP3、非圧縮 PCM 用の WAV、可逆圧縮用の FLAC、ストリーミング用の PCM または Opus を説明しています。接続したワークフローが対応し、プレーヤーや処理工程に合う形式を選んでください。形式の選択とストリーミングの動作は、声の適応そのものとは別です。
モデルのアーキテクチャと実用上の範囲
発表は自己回帰型のフローマッチングアーキテクチャを説明し、34 億パラメータの Transformer デコーダーを骨格とし、3 億 9,000 万パラメータの音響 Transformer、3 億パラメータのニューラル音声コーデックを備えます。デコーダーが意味内容を予測し、音響部分が音声表現を作り、コーデックが音声を扱います。これらの構成要素は約 40 億というモデル表示を説明するもので、追加の入力言語や別の回答生成モデルではありません。
実用的な出力は、準備した原稿と選択した声に関連付いた合成録音または音声ストリームです。複数区間の生成時にも関連付けを保ち、アプリケーションが正しい素材を保存、再生、組み立てられるようにしてください。モデルが生成するのは音声であり、書き起こし、意味検索ベクトル、新しく執筆した事実回答ではありません。
2603 の音声版、対応言語、参照スタイルを維持してください。参照した資料には、ネイティブの 2 分という記述と 300 単語未満という準備上の推奨がありますが、別の厳密な最大文字数や、全体を連結した録音時間を確立してはいません。実際の文字、声、配信要件を基に、完成音声の成果物を定義します。
Ailoot Ultra · 音声合成 POST /v1/audio/speech mistralai/voxtral-mini-tts-2603
mistralai/voxtral-mini-tts-2603
mistralai/voxtral-mini-tts-2603はじめに
Voxtral TTS は、9 言語で参照音声に基づく声の適応を行う、Mistral AI の 40 億パラメータの音声生成モデルです。準備した文字を表現豊かな音声に変え、再利用型または単発の音声プロンプトとストリーミングに対応し、文書化された音声形式で 24 kHz の出力を生成します。
- 対応する入力
- テキスト
- 結果
- 音声
Ailootで利用可能 · 入力とメソッド
Ailoot Ultra · 音声合成 POST /v1/audio/speech
- 入力の種類
text- 出力の種類
audio- 出力形式
- mp3
| フィールド | 種類 | 要件 | 値と制限 | デフォルト |
|---|---|---|---|---|
フィールドmodel | 種類string | 要件必須 | 値と制限 mistralai/voxtral-mini-tts-2603 | デフォルト— |
フィールドinput | 種類string | 要件必須 | 値と制限 最小の長さ: 1 単位: Unicode 文字 | デフォルト— |
フィールドvoice | 種類string | 要件必須 | 値と制限 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 | デフォルト— |
フィールドresponse_format | 種類string | 要件必須 | 値と制限 mp3 | デフォルト— |
入力素材の組み合わせ
text_to_speech · 必須: input
メソッドのパラメータとライフサイクル
| パラメータ | 仕様 |
|---|---|
パラメータcontent_type | 仕様application/json |
パラメータrequired | 仕様model, input, voice, response_format |
パラメータvoice_ids | 仕様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 |
パラメータresponse_format | 仕様mp3 |
パラメータmax_input_characters | 仕様null |
パラメータother_options | 仕様false |
パラメータinput | 仕様正確なUTF-8テキスト。正規化せずにUnicode文字数を数えます |
パラメータmaterial_types | 仕様text |
ライフサイクル: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · 実際に返された task_id またはメディアライブラリのレコード
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
このモデルのプロファイルから、使用する音声を正確に選択してください。
入力文字数と音声の秒数は、別の計測単位です。
料金
料金情報はリクエストの機能を追加しません。対応するパラメーターは選択したメソッドに記載されています。
- 高速モード
- 未指定 高速モードが選択されている場合
- Flex モード
- 未指定 flex モードが選択されている場合
- 最大推論量
- 未指定 推論量が最大で、調整に既定値（default）を使用する場合
Ailootの料金
設定別の価格
各料金を表示された条件と照合してください。選択肢となる設定の各組には、いずれか1つの料金を適用します。
| 設定 | 料金表 | 課金対象の数量 | 課金単位 | 料金 |
|---|---|---|---|---|
| 設定基本トークン料金 | 料金表基本料金 | 課金対象の数量— | 課金単位— | 料金 入力 · 入力トークン — / 1K トークン 出力 · 出力トークン — / 1K トークン 入力 · キャッシュ読み取り — / 1K トークン 入力 · キャッシュ書き込み — / 1K トークン 入力 · キャッシュ書き込み、1時間 — / 1K トークン |
| 設定Ultra | 料金表— | 課金対象の数量漢字を含め、Unicodeコードポイント1つを1文字として数えます。 | 課金単位1K入力文字あたり | 料金 入力 · 入力文字 $0.032 1K入力文字あたり |
参考料金の詳細
モデル単位の参照料金表は、メソッド選択、見積もり、課金を変更しません。実際の課金には、選択したAilootメソッドの料金を適用します。
Mistral: Voxtral Mini TTS
設定別の価格
| 設定 | 課金条件 | 料金 |
|---|---|---|
| 設定Mistral: Voxtral Mini TTS · 標準設定 | 課金条件デフォルト設定 | 料金 入力 · 入力文字数 $0.000032 入力文字あたり |
Ailootはリクエスト前に見積額を確保します。結果の取得後、実測使用量に基づいて最終料金を精算します。ストリーミング時の精算には最終の使用量記録を使用します。金額の確保と精算の仕組み →
リクエスト例
Ailoot Ultra · 音声合成
set -eu
: "${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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o speech.mp3
結果を受け取って保存
Ailoot Ultra · 音声合成
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
その他のコンテンツ取得
set -eu
: "${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
完了した結果をすべて保存
返された完全なレスポンス、ファイル、コンテンツ部分をすべて保存してください。
バイナリ結果の全体とヘッダーを保存してください。JSON または複数の出力が返された場合は、すべてのデータ項目を保存し、実際に返された署名付きアセット URL から各アセットを取得してください。
元のレスポンスを確認する場合
再送せずに照合できるよう、元の operation_id/X-Client-Request-ID を保存してください。音声専用のポーリングルートはありません。
レスポンスのフィールド
| フィールド | 種類 |
|---|---|
フィールドbinary audio | 種類bytes |
フィールドresponse headers | 種類headers |
エラーと次の手順
| レスポンス | 条件 | 次の手順 |
|---|---|---|
レスポンス400 · invalid_request_error | 条件必須フィールド、素材の表現形式、またはパラメーター値が不正です | 次の手順新しい生成リクエストを送る前に、指定されたフィールドを修正してください。 |
レスポンスserver_error | 条件返されたレスポンスは、操作または結果の確認が必要であることを示しています | 次の手順最初に返された操作／タスク ID、リクエストヘッダー、レスポンスを保存し、その元の操作に対してサポートされている読み取りを継続してください。作成リクエストを再送しないでください。 |
エイリアス
モデルのエイリアス
Ailoot Ultra mistralai/voxtral-mini-tts-2603
メソッドパスのエイリアス
上記に表示されたメソッドパスを使用してください。
関連する呼び出し用ID
FAQ · Mistral: Voxtral Mini TTS
- 利用できる入力と結果は何ですか？
POST /v1/audio/speech·mistralai/voxtral-mini-tts-2603:text→audio- リクエストはどの項目を使用しますか？
POST /v1/audio/speech·mistralai/voxtral-mini-tts-2603:model,input,voice,response_format