Mistral: Voxtral Mini TTS

O Voxtral TTS é o modelo de conversão de texto em voz de 4B da Mistral AI para gerar áudio falado a partir de texto e de uma referência de voz. A página do modelo do fabricante identifica a edição 2603 como voxtral-mini-tts-2603, enquanto a ficha dos pesos publicados se chama Voxtral 4B TTS 2603. Esta entrada refere-se a essa versão de geração de fala, distinta do Voxtral Small para compreensão de áudio, transcrição e modelos posteriores de entrada em tempo real.

Fala expressiva e adaptação de voz

O modelo foi concebido para captar as pausas, o ritmo, a entoação, o sotaque e a expressão emocional de uma voz de referência. A voz funciona como uma instrução sobre como o texto deve soar; a apresentação do fabricante não exige etiquetas separadas de prosódia ou emoção, nem uma transcrição da gravação de referência. O texto de origem determina o que é dito, enquanto a referência de áudio orienta a interpretação.

A apresentação descreve a adaptação de uma voz a partir de apenas dois a três segundos de áudio. A descrição da arquitetura aborda referências de voz de cinco a vinte e cinco segundos. Estas afirmações têm âmbitos diferentes: um exemplo de adaptação curta não impõe a utilização da referência mais curta possível. Escolha fala clara que represente o estilo e o sotaque pretendidos para o resultado final.

A ficha publicada inclui vinte vozes predefinidas e adaptação a novas vozes. O fluxo de síntese de voz do fabricante pode usar um perfil de voz guardado ou um clip de referência pontual. Guardar um perfil permite reutilizar a mesma referência de voz em pedidos de síntese separados, enquanto um clip pontual a fornece para a tarefa atual. Um perfil e uma gravação gerada são artefactos diferentes.

Idiomas e interpretação entre idiomas

Esta versão suporta inglês, francês, espanhol, alemão, italiano, português, neerlandês, árabe e hindi, com variação dialetal, transferência de voz entre idiomas e mistura de idiomas descritas pelo fabricante. Para obter o melhor resultado, o guia de síntese de voz recomenda que o idioma da referência corresponda ao idioma do texto. A transferência entre idiomas pode preservar o sotaque da referência ao pronunciar o texto preparado noutro idioma suportado.

Uma tarefa prática de narração pode usar o mesmo estilo de voz para uma explicação em diferentes idiomas suportados, com cada texto preparado para o ouvinte pretendido. Uma resposta de assistente de voz pode usar um guião curto e conversacional em vez de ler em voz alta um documento por editar. O modelo de conversão de texto em voz reproduz as palavras preparadas; qualquer etapa de tradução ou de redação de respostas que produza essas palavras é um passo separado.

Preparação do texto

O guia de síntese de voz do fabricante recomenda texto pronunciável. Escreva números e símbolos na forma que deve ser falada, para o modelo não precisar de escolher entre leituras possíveis. Um número pode representar uma quantidade, uma hora ou um identificador; defina a formulação falada pretendida antes da síntese. Desenvolva abreviaturas quando a pronúncia for importante, usando letras separadas quando essa for a leitura desejada.

Evite formatação rica, emojis e caracteres especiais que não serão reproduzidos como conteúdo falado. Prepare frases completas com a pontuação e a formulação necessárias à interpretação. O guia recomenda pedidos com menos de 300 palavras para obter os melhores resultados. Trata-se de uma recomendação de qualidade, não de um comprimento máximo de entrada obrigatório declarado.

Para uma explicação de um procedimento, escreva a ação e a condição numa frase que o ouvinte consiga acompanhar. Para um aviso, coloque a informação importante antes dos pormenores opcionais. Para uma resposta de voz, mantenha a resposta factual e retire a formatação exclusiva de ecrã ou a notação de fontes que não deve ser pronunciada. Estas preparações tornam o próprio guião adequado a áudio, antes de a referência determinar o seu estilo.

Streaming, saída e duração

O fabricante documenta entrega básica e em streaming e descreve geração nativa de até dois minutos de áudio. A ficha dos pesos publicados também enumera inferência em lote para preparar várias tarefas de síntese de voz. As gerações mais longas do serviço usam intercalação, em vez de tratar um único bloco nativo como ilimitado. Para narrações mais longas, prepare secções coerentes e mantenha a voz e a preparação do texto consistentes com o fluxo de entrega que gere a continuação.

A ficha publicada especifica áudio a 24 kHz e identifica os formatos de saída WAV, PCM, FLAC, MP3, AAC e Opus. O guia do serviço de síntese de voz aborda MP3 para entrega comprimida, WAV para PCM não comprimido, FLAC para compressão sem perdas e PCM ou Opus para streaming. Escolha um formato suportado pelo fluxo ligado e adequado ao respetivo leitor ou etapa de processamento. A escolha do formato e o comportamento de streaming são distintos da própria adaptação da voz.

Arquitetura do modelo e limites práticos

O anúncio descreve uma arquitetura autorregressiva de flow matching, com uma estrutura principal de descodificador Transformer de 3.4B, um Transformer acústico de 390 milhões de parâmetros e um codec neural de áudio de 300 milhões de parâmetros. O descodificador prevê o conteúdo semântico e o componente acústico produz a representação da fala, enquanto o codec trata do áudio. Estes componentes explicam a designação aproximada de modelo 4B; não representam idiomas de entrada adicionais nem um modelo diferente de geração de respostas.

Uma saída prática é a gravação sintetizada ou o fluxo de áudio associado ao guião preparado e à voz escolhida. Mantenha essas associações ao gerar várias secções, para a aplicação poder guardar, reproduzir ou montar o material correto. O modelo produz áudio, em vez de uma transcrição, um vetor de pesquisa semântica ou uma resposta factual redigida de novo.

Preserve a edição de síntese de voz 2603, o idioma suportado e o estilo de referência. As fontes consultadas fornecem a indicação nativa de dois minutos e a recomendação de preparação com menos de 300 palavras, mas não estabelecem um limite máximo obrigatório separado para caracteres de texto nem para a duração total de uma gravação montada. Use o texto, a voz e os requisitos de entrega efetivos para definir o artefacto de áudio acabado.