Mistral: Voxtral Mini TTS

Voxtral TTS เป็นโมเดลสร้างเสียง 4 พันล้านพารามิเตอร์ของ Mistral AI ที่ปรับเสียงตามข้อมูลอ้างอิงในเก้าภาษา โมเดลเปลี่ยนข้อความที่เตรียมไว้เป็นเสียงที่ถ่ายทอดอารมณ์ รองรับพรอมป์ต์เสียงแบบใช้ซ้ำหรือครั้งเดียวและสตรีมมิง พร้อมเอาต์พุต 24 kHz ในรูปแบบเสียงตามเอกสาร

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

เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

Voxtral TTS เป็นโมเดลแปลงข้อความเป็นเสียง 4 พันล้านพารามิเตอร์ของ Mistral AI สำหรับสร้างคำพูดจากข้อความและเสียงอ้างอิง หน้าโมเดลของผู้ผลิตระบุรุ่น 2603 เป็น voxtral-mini-tts-2603 ส่วนการ์ดค่าน้ำหนักที่เผยแพร่ชื่อ Voxtral 4B TTS 2603 รายการนี้กล่าวถึงรุ่นสร้างเสียงนั้น แยกจากการเข้าใจเสียง การถอดเสียงของ Voxtral Small และโมเดลอินพุตเรียลไทม์ที่มาภายหลัง

เสียงที่ถ่ายทอดอารมณ์และการปรับเสียง

โมเดลออกแบบเพื่อจับช่วงหยุด จังหวะ น้ำเสียง สำเนียง และการถ่ายทอดอารมณ์ของเสียงอ้างอิง เสียงทำหน้าที่เป็นคำแนะนำว่าข้อความควรฟังอย่างไร ภาพรวมของผู้ผลิตไม่ได้กำหนดให้ใช้แท็กทำนองเสียงหรืออารมณ์แยก หรือข้อความถอดเสียงของเสียงบันทึกอ้างอิง ข้อความต้นทางกำหนดสิ่งที่พูด ขณะที่เสียงอ้างอิงชี้นำวิธีถ่ายทอด

ภาพรวมอธิบายการปรับเสียงจากเสียงสั้นเพียงสองถึงสามวินาที ส่วนคำอธิบายสถาปัตยกรรมกล่าวถึงพรอมป์ต์เสียงห้าถึงยี่สิบห้าวินาที ข้อความเหล่านี้มีขอบเขตต่างกัน ตัวอย่างปรับเสียงสั้นไม่ได้เป็นข้อกำหนดให้ใช้เสียงอ้างอิงสั้นที่สุด เลือกคำพูดชัดเจนที่เป็นตัวแทนของสไตล์และสำเนียงที่ต้องการในผลสุดท้าย

การ์ดที่เผยแพร่มีเสียงสำเร็จรูปยี่สิบเสียงและการปรับให้เข้ากับเสียงใหม่ เวิร์กโฟลว์เสียงของผู้ผลิตใช้โปรไฟล์เสียงที่บันทึกไว้หรือคลิปอ้างอิงครั้งเดียวได้ การบันทึกโปรไฟล์ทำให้ใช้เสียงอ้างอิงเดียวกันซ้ำในคำขอเสียงแยกกันได้ ส่วนคลิปครั้งเดียวให้เสียงอ้างอิงสำหรับงานปัจจุบัน โปรไฟล์กับเสียงบันทึกที่สร้างเป็นผลงานต่างกัน

ภาษาและการถ่ายทอดข้ามภาษา

รุ่นนี้รองรับอังกฤษ ฝรั่งเศส สเปน เยอรมัน อิตาลี โปรตุเกส ดัตช์ อาหรับ และฮินดี โดยผู้ผลิตอธิบายความต่างภาษาถิ่น การถ่ายโอนเสียงข้ามภาษา และการผสมภาษา เพื่อผลที่ดีที่สุด คู่มือเสียงแนะนำให้ภาษาของเสียงอ้างอิงตรงกับภาษาข้อความ การถ่ายโอนข้ามภาษาอาจรักษาสำเนียงเสียงอ้างอิงไว้ขณะที่พูดข้อความที่เตรียมด้วยอีกภาษาที่รองรับ

งานบรรยายที่ใช้ได้จริงใช้สไตล์เสียงเดียวกับคำอธิบายในหลายภาษาที่รองรับ โดยเตรียมข้อความแต่ละภาษาให้เหมาะกับผู้ฟังที่ตั้งใจ คำตอบผู้ช่วยเสียงใช้บทสนทนาสั้นแทนการอ่านเอกสารที่ไม่แก้ไขได้ โมเดลแปลงข้อความเป็นเสียงถ่ายทอดคำที่เตรียมไว้ ส่วนขั้นแปลหรือเขียนคำตอบที่สร้างคำเหล่านั้นเป็นอีกขั้นตอน

การเตรียมข้อความ

คู่มือเสียงของผู้ผลิตแนะนำข้อความที่อ่านออกเสียงได้ เขียนตัวเลขกับสัญลักษณ์เป็นรูปที่ควรพูด เพื่อไม่ให้โมเดลต้องเลือกระหว่างวิธีอ่านที่เป็นไปได้ ตัวเลขอาจเป็นจำนวน เวลา หรือรหัส จึงต้องกำหนดถ้อยคำที่จะพูดก่อนสังเคราะห์ ขยายคำย่อเมื่อการออกเสียงสำคัญ และแยกตัวอักษรเมื่อควรอ่านทีละตัว

หลีกเลี่ยงการจัดรูปแบบซับซ้อน อีโมจิ และอักขระพิเศษที่จะไม่ถ่ายทอดเป็นคำพูด เตรียมประโยคสมบูรณ์ที่มีวรรคตอนและถ้อยคำสำหรับวิธีถ่ายทอด คู่มือแนะนำพรอมป์ต์ต่ำกว่า 300 คำเพื่อผลดีที่สุด นี่เป็นคำแนะนำคุณภาพ ไม่ใช่การประกาศขีดจำกัดอินพุตสูงสุดแบบตายตัว

สำหรับคำอธิบายขั้นตอน ให้เขียนการกระทำกับเงื่อนไขในประโยคที่ผู้ฟังตามได้ สำหรับประกาศ ให้วางข้อมูลสำคัญก่อนรายละเอียดเสริม สำหรับคำตอบเสียง ให้รักษาคำตอบข้อเท็จจริงและเอารูปแบบแสดงผลอย่างเดียวหรือสัญลักษณ์แหล่งอ้างอิงที่ไม่ควรพูดออก การเตรียมเหล่านี้ทำให้บทเองเหมาะกับเสียงก่อนที่เสียงอ้างอิงจะกำหนดสไตล์

สตรีมมิง เอาต์พุต และระยะเวลา

ผู้ผลิตระบุการส่งแบบพื้นฐานและสตรีมมิง และอธิบายการสร้างโดยตรงได้สูงสุดสองนาที การ์ดค่าน้ำหนักที่เผยแพร่ยังระบุการอนุมานแบบแบตช์เพื่อเตรียมงานเสียงหลายงาน การสร้างที่ยาวกว่าในบริการใช้การสลับแทรก แทนการถือว่าชังก์ที่สร้างโดยตรงหนึ่งชังก์ไม่มีขีดจำกัด สำหรับการบรรยายยาว ให้เตรียมส่วนที่ต่อเนื่องและรักษาการเตรียมเสียงกับข้อความให้สอดคล้องกับเวิร์กโฟลว์ส่งเสียงที่จัดการการสร้างต่อ

การ์ดที่เผยแพร่กำหนดเสียง 24 kHz และระบุรูปแบบเอาต์พุต WAV, PCM, FLAC, MP3, AAC และ Opus คู่มือบริการเสียงกล่าวถึง MP3 สำหรับส่งแบบบีบอัด WAV สำหรับ PCM ไม่บีบอัด FLAC สำหรับบีบอัดไม่สูญเสียข้อมูล และ PCM หรือ Opus สำหรับสตรีมมิง เลือกรูปแบบที่เวิร์กโฟลว์ที่เชื่อมอยู่รองรับและเหมาะกับเครื่องเล่นหรือขั้นประมวลผล การเลือกรูปแบบและพฤติกรรมสตรีมมิงแยกจากการปรับเสียงเอง

สถาปัตยกรรมโมเดลและขอบเขตใช้งาน

ประกาศอธิบายสถาปัตยกรรมออโตรีเกรสซีฟและ flow-matching ที่มีโครงหลักตัวถอดรหัส Transformer 3.4 พันล้านพารามิเตอร์, Transformer ด้านเสียง 390 ล้านพารามิเตอร์ และโคเดกเสียงแบบนิวรัล 300 ล้านพารามิเตอร์ ตัวถอดรหัสทำนายเนื้อหาเชิงความหมาย ส่วนองค์ประกอบด้านเสียงสร้างตัวแทนคำพูด ขณะที่โคเดกจัดการเสียง องค์ประกอบเหล่านี้อธิบายชื่อโมเดลประมาณ 4 พันล้านพารามิเตอร์ ไม่ใช่ภาษาอินพุตเพิ่มหรือโมเดลสร้างคำตอบอีกตัว

เอาต์พุตที่ใช้ได้จริงคือเสียงบันทึกสังเคราะห์หรือสตรีมที่เชื่อมกับบทที่เตรียมและเสียงที่เลือก รักษาความเชื่อมโยงนั้นเมื่อสร้างหลายส่วน เพื่อให้แอปพลิเคชันบันทึก เล่น หรือประกอบเนื้อหาที่ถูกต้อง โมเดลสร้างเสียง ไม่ใช่ข้อความถอดเสียง เวกเตอร์ค้นหาเชิงความหมาย หรือคำตอบข้อเท็จจริงที่เขียนใหม่

รักษารุ่นเสียง 2603 ภาษาที่รองรับ และสไตล์อ้างอิง แหล่งข้อมูลที่อ่านให้ข้อความเรื่องการสร้างโดยตรงสองนาทีและคำแนะนำเตรียมต่ำกว่า 300 คำ แต่ไม่ได้ยืนยันเพดานอักขระข้อความแบบตายตัวแยก หรือระยะเวลารวมของเสียงบันทึกที่ต่อกัน ใช้ข้อความ เสียง และข้อกำหนดการส่งจริงกำหนดผลงานเสียงที่เสร็จแล้ว

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

mistralai/voxtral-mini-tts-2603

Mistral /mistralai/voxtral-mini-tts-2603

เริ่มต้น

อินพุตที่รองรับ: ข้อความ
ผลลัพธ์: เสียง

ใช้งานได้ใน Ailoot · อินพุตและเมธอด

Ailoot Ultra · การสังเคราะห์เสียงพูด POST /v1/audio/speech

ขาเข้า: text
ขาออก: audio
รูปแบบเอาต์พุต: mp3

ฟิลด์	ประเภท	ข้อกำหนด	ค่าและข้อจำกัด	ค่าเริ่มต้น
ฟิลด์`model`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด mistralai/voxtral-mini-tts-2603	ค่าเริ่มต้น—
ฟิลด์`input`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด ความยาวขั้นต่ำ: 1 หน่วย: อักขระ Unicode	ค่าเริ่มต้น—
ฟิลด์`voice`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด 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	ค่าเริ่มต้น—
ฟิลด์`response_format`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด mp3	ค่าเริ่มต้น—

ชุดผสมของสื่ออินพุต

text_to_speech · จำเป็น: input

พารามิเตอร์และวงจรการทำงานของเมธอด

พารามิเตอร์	ข้อกำหนด
พารามิเตอร์`content_type`	ข้อกำหนดapplication/json
พารามิเตอร์`required`	ข้อกำหนดmodel, input, voice, response_format
พารามิเตอร์`voice_ids`	ข้อกำหนดen_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
พารามิเตอร์`response_format`	ข้อกำหนดmp3
พารามิเตอร์`max_input_characters`	ข้อกำหนดnull
พารามิเตอร์`other_options`	ข้อกำหนดfalse
พารามิเตอร์`input`	ข้อกำหนดข้อความ UTF-8 ที่ตรงตามต้นฉบับ นับอักขระ Unicode โดยไม่ปรับรูปแบบมาตรฐาน
พารามิเตอร์`material_types`	ข้อกำหนดtext

วงจรการทำงาน: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · ค่า task_id ที่ส่งกลับมาจริง หรือระเบียนในคลังสื่อ

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

เลือกเสียงที่ตรงตามโปรไฟล์ของโมเดลนี้

อักขระขาเข้าและวินาทีเสียงเป็นหน่วยวัดคนละแบบ

ราคา

ข้อมูลอัตราราคาไม่ได้เพิ่มตัวเลือกคำขอ พารามิเตอร์ที่รองรับระบุไว้สำหรับเมธอดที่เลือก

โหมดรวดเร็ว: ไม่ได้ระบุ เมื่อเลือกโหมดรวดเร็ว
โหมดยืดหยุ่น: ไม่ได้ระบุ เมื่อเลือกโหมด flex
ระดับการใช้เหตุผลสูงสุด: ไม่ได้ระบุ เมื่อใช้การปรับตามค่าเริ่มต้น (default) สำหรับระดับการใช้เหตุผลสูงสุด

อัตราค่าบริการ Ailoot

ราคาตามการตั้งค่า

เทียบค่าบริการแต่ละรายการกับเงื่อนไขที่แสดง เลือกใช้อัตราเดียวสำหรับแต่ละชุดการตั้งค่าที่เป็นตัวเลือกทดแทนกัน

การตั้งค่า	ตารางอัตราค่าบริการ	ปริมาณที่ใช้คิดค่าบริการ	หน่วยคิดค่าบริการ	ค่าบริการ
การตั้งค่าอัตราค่าบริการโทเคนพื้นฐาน	ตารางอัตราค่าบริการอัตราพื้นฐาน	ปริมาณที่ใช้คิดค่าบริการ—	หน่วยคิดค่าบริการ—	ค่าบริการ ขาเข้า · โทเค็นอินพุต — / 1K โทเค็น ขาออก · โทเค็นเอาต์พุต — / 1K โทเค็น ขาเข้า · การอ่านแคช — / 1K โทเค็น ขาเข้า · การเขียนแคช — / 1K โทเค็น ขาเข้า · การเขียนแคช, 1 ชั่วโมง — / 1K โทเค็น
การตั้งค่าUltra	ตารางอัตราค่าบริการ—	ปริมาณที่ใช้คิดค่าบริการนับแต่ละโค้ดพอยต์ Unicode เป็นหนึ่งอักขระ รวมถึงอักษรฮั่น	หน่วยคิดค่าบริการต่ออักขระอินพุต 1K ตัว	ค่าบริการ ขาเข้า · อักขระขาเข้า $0.032 ต่ออักขระอินพุต 1K ตัว

รายละเอียดอัตราอ้างอิง

ตารางอัตราอ้างอิงระดับโมเดลไม่เปลี่ยนเมธอดที่เลือก ยอดประมาณการ หรือค่าบริการ การคิดค่าบริการจริงใช้อัตราของเมธอด Ailoot ที่เลือก

Mistral: Voxtral Mini TTS

ราคาตามการตั้งค่า

การตั้งค่า	เงื่อนไขคิดค่าบริการ	ค่าบริการ
การตั้งค่าMistral: Voxtral Mini TTS · การตั้งค่าเริ่มต้น	เงื่อนไขคิดค่าบริการการตั้งค่าเริ่มต้น	ค่าบริการ ขาเข้า · อักขระอินพุต US$0.000032 ต่ออักขระอินพุต

Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →

ตัวอย่างคำขอ

Ailoot Ultra · การสังเคราะห์เสียงพูด

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

รับและบันทึกผลลัพธ์

Ailoot Ultra · การสังเคราะห์เสียงพูด

mp3

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

การอ่านเนื้อหาแบบอื่น

คลังสื่อสถานะงานรายละเอียดไฟล์สื่อ

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

เก็บผลลัพธ์ที่เสร็จสมบูรณ์ทั้งหมด

เก็บทุกการตอบกลับ ไฟล์ และส่วนเนื้อหาที่ส่งกลับมาอย่างครบถ้วน

เก็บผลลัพธ์ไบนารีและส่วนหัวให้ครบถ้วน หากได้รับ JSON/ผลลัพธ์หลายรายการ ให้เก็บข้อมูลทุกรายการและดึงไฟล์สื่อจาก URL แบบลงนามทุกรายการที่ได้รับจริง

เมื่อต้องตรวจสอบการตอบกลับต้นฉบับ

เก็บ operation_id/X-Client-Request-ID เดิมไว้เพื่อกระทบยอดโดยไม่ส่งคำขอซ้ำ ไม่มีเส้นทางเฉพาะสำหรับตรวจสอบสถานะงานเสียงเป็นระยะ

ฟิลด์การตอบกลับ

ฟิลด์	ประเภท
ฟิลด์`binary audio`	ประเภทbytes
ฟิลด์`response headers`	ประเภทheaders

ข้อผิดพลาดและขั้นตอนถัดไป

การตอบกลับ	เงื่อนไข	ขั้นตอนถัดไป
การตอบกลับ400 · `invalid_request_error`	เงื่อนไขฟิลด์จำเป็น รูปแบบการแทนข้อมูล หรือค่าพารามิเตอร์ไม่ถูกต้อง	ขั้นตอนถัดไปแก้ฟิลด์ที่ระบุก่อนส่งคำขอสร้างครั้งใหม่
การตอบกลับ`server_error`	เงื่อนไขการตอบกลับที่ได้รับระบุว่าต้องตรวจสอบการดำเนินการหรือผลลัพธ์	ขั้นตอนถัดไปเก็บ ID การดำเนินการ/งานที่ส่งกลับมาแต่เดิม ส่วนหัวของคำขอ และการตอบกลับไว้ แล้วอ่านข้อมูลการดำเนินการเดิมนั้นต่อด้วยวิธีที่รองรับ ห้ามส่งคำขอสร้างซ้ำ

ชื่ออื่น

ชื่ออื่นของโมเดล

Ailoot Ultra mistralai/voxtral-mini-tts-2603

ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

mistralai/voxtral-mini-tts-2603

FAQ · Mistral: Voxtral Mini TTS

มีอินพุตและผลลัพธ์ใดบ้าง?: POST /v1/audio/speech · mistralai/voxtral-mini-tts-2603: text → audio
คำขอใช้ฟิลด์ใดบ้าง?: POST /v1/audio/speech · mistralai/voxtral-mini-tts-2603: model, input, voice, response_format

Mistral: Voxtral Mini TTS