Mistral: Voxtral Mini TTS
Voxtral TTS — Mistral AI ning to‘qqiz tilda namuna asosidagi ovoz moslashini qo‘llab-quvvatlovchi 4B nutq yaratish modeli. U tayyor matnni ifodali audioga aylantiradi, qayta ishlatiladigan yoki bir martalik ovoz namunalarini hamda oqimni qo‘llab-quvvatlaydi va hujjatlashtirilgan audio formatlarda 24 kHz chiqish yaratadi.
Model haqida
Bu tavsif model imkoniyatlarini yoritadi. Ailoot da tanlangan usul uchun mavjud kirish, chiqish va parametrlar quyida keltirilgan.
Voxtral TTS — matn va ovoz namunasidan aytilgan audio yaratish uchun Mistral AI ning 4B matndan nutqqa modeli. Yaratuvchining model sahifasi 2603 nashrini voxtral-mini-tts-2603 deb belgilaydi, chiqarilgan vaznlar kartasi esa Voxtral 4B TTS 2603 deb nomlangan. Ushbu yozuv Voxtral Small audio tushunish, transkripsiya va keyingi real vaqt kirish modellaridan alohida bo‘lgan shu nutq yaratish reliziga tegishli.
Ifodali nutq va ovoz moslashi
Model namuna ovozining pauzalari, ritmi, ohangi, aksenti va hissiy ijrosini qamrash uchun yaratilgan. Ovoz matn qanday eshitilishi kerakligini ko‘rsatuvchi yo‘riq vazifasini bajaradi; yaratuvchining sharhi alohida prosodiya yoki hissiyot teglarini, yoxud namuna yozuvi transkriptini talab qilmaydi. Asl matn nima aytilishini belgilaydi, audio namuna esa ijroni yo‘naltiradi.
Sharh atigi ikki–uch soniyalik audiodan ovozni moslashtirishni ta’riflaydi. Arxitektura tavsifi besh soniyadan yigirma besh soniyagacha ovoz namunalarini muhokama qiladi. Bu bayonotlar turli doiraga ega: qisqa moslashtirish misoli eng qisqa namunadan foydalanish talabi emas. Yakuniy natijada kerakli uslub va aksentni aks ettiruvchi ravshan nutqni tanlang.
Chiqarilgan karta yigirmata tayyor ovoz va yangi ovozlarga moslashni o‘z ichiga oladi. Yaratuvchining nutq jarayoni saqlangan ovoz profili yoki bir martalik namuna klipidan foydalanishi mumkin. Profilni saqlash bitta ovoz namunasini alohida nutq so‘rovlarida qayta ishlatishga imkon beradi, bir martalik klip esa joriy vazifaga ovoz namunasini beradi. Profil va yaratilgan yozuv turli artefaktlardir.
Tillar va tillararo ijro
Reliz ingliz, fransuz, ispan, nemis, italyan, portugal, niderland, arab va hind tillarini qo‘llab-quvvatlaydi; yaratuvchi lahja farqlari, tillararo ovoz ko‘chirish va tillarni aralashtirishni ta’riflaydi. Eng yaxshi natija uchun nutq qo‘llanmasi namuna tilini matn tiliga moslashni tavsiya qiladi. Tillararo ko‘chirish tayyor matnni boshqa qo‘llab-quvvatlanadigan tilda aytganda namuna aksentini saqlashi mumkin.
Amaliy bayon vazifasi turli qo‘llab-quvvatlanadigan tillardagi tushuntirish uchun bir xil ovoz uslubidan foydalanishi, har bir matn esa ko‘zlangan tinglovchiga mos tayyorlanishi mumkin. Ovozli yordamchi javobi tahrirlanmagan hujjatni baland o‘qish o‘rniga qisqa suhbat ssenariyidan foydalanishi mumkin. Matndan nutqqa modeli tayyor so‘zlarni ovozga aylantiradi; ularni hosil qiluvchi tarjima yoki javob yozish bosqichi alohida qadamdir.
Matnni tayyorlash
Yaratuvchining nutq qo‘llanmasi og‘zaki aytishga mos matnni tavsiya qiladi. Model mumkin bo‘lgan o‘qilishlar orasida tanlamasligi uchun raqamlar va belgilarni aytilishi kerak bo‘lgan shaklda yozing. Raqam miqdor, vaqt yoki identifikator bo‘lishi mumkin; sintezdan oldin kerakli og‘zaki ifodani belgilang. Talaffuz muhim bo‘lsa, qisqartmalarni to‘liq yozing; harflab o‘qish ko‘zlangan bo‘lsa, harflarni ajrating.
Nutq sifatida aytilmaydigan boy formatlash, emojilar va maxsus belgilardan saqlaning. Ijroga kerakli tinish belgilari va so‘zlar bilan to‘liq gaplar tayyorlang. Qo‘llanma eng yaxshi natija uchun 300 so‘zdan kam topshiriqlarni tavsiya qiladi. Bu e’lon qilingan qat’iy eng katta kirish uzunligi emas, sifat tavsiyasidir.
Jarayon tushuntirishida harakat va shartni tinglovchi kuzata oladigan gapda yozing. E’londa muhim ma’lumotni ixtiyoriy tafsilotdan oldinga qo‘ying. Ovozli javobda faktik javobni saqlang, faqat ekranga mo‘ljallangan formatlash yoki o‘qilmasligi kerak bo‘lgan manba belgilarini olib tashlang. Bu tayyorgarlik namuna uslubni belgilashidan oldin ssenariyning o‘zini audioga mos qiladi.
Oqim, chiqish va davomiylik
Yaratuvchi oddiy va oqimli yetkazishni hujjatlashtiradi hamda ichki yaratishda ikki daqiqagacha audioni ta’riflaydi. Chiqarilgan vaznlar kartasi bir nechta nutq vazifasini tayyorlash uchun paketli inferensiyani ham sanaydi. Xizmatdagi uzunroq yaratishlar bitta ichki bo‘lakni cheksiz deb ko‘rmay, navbatlab birlashtirishdan foydalanadi. Uzunroq bayon uchun yaxlit bo‘limlar tayyorlang va ularning ovoz hamda matn tayyorgarligini davom ettirishni boshqaruvchi yetkazish jarayoniga mos tuting.
Chiqarilgan karta 24 kHz audioni belgilaydi va WAV, PCM, FLAC, MP3, AAC hamda Opus chiqish formatlarini nomlaydi. Nutq xizmati qo‘llanmasi siqilgan yetkazish uchun MP3, siqilmagan PCM uchun WAV, yo‘qotishsiz siqish uchun FLAC va oqim uchun PCM yoki Opus ni muhokama qiladi. Ulangan jarayon qo‘llab-quvvatlaydigan hamda uning pleyeri yoki qayta ishlash bosqichiga mos formatni tanlang. Format tanlovi va oqim xatti-harakati ovoz moslashining o‘zidan alohidadir.
Model arxitekturasi va amaliy chegaralar
E’lon autoregressiv, flow-matching arxitekturasini ta’riflaydi: 3.4B Transformer dekoder asosi, 390 million parametrli akustik Transformer va 300 million parametrli neyron audio kodek. Dekoder semantik mazmunni bashorat qiladi, akustik qism nutq ko‘rinishini yaratadi, kodek esa audioni boshqaradi. Bu qismlar taxminiy 4B model belgisini tushuntiradi; ular qo‘shimcha kirish tillari yoki boshqa javob yaratish modeli emas.
Amaliy chiqish — tayyor ssenariy va tanlangan ovozga bog‘langan sintez yozuvi yoki audio oqimi. Bir nechta bo‘lim yaratilganda ilova to‘g‘ri materialni saqlashi, ijro etishi yoki yig‘ishi uchun shu bog‘liqliklarni saqlang. Model transkript, semantik qidiruv vektori yoki yangidan yozilgan faktik javob o‘rniga audio yaratadi.
2603 nutq nashri, qo‘llab-quvvatlanadigan til va namuna uslubini saqlang. O‘qilgan manbalar ichki ikki daqiqalik bayonotni va 300 so‘zdan kam tayyorlash tavsiyasini beradi, ammo alohida qat’iy eng katta matn-belgi chegarasini yoki umumiy birlashtirilgan yozuv davomiyligini belgilamaydi. Tayyor audio artefaktni haqiqiy matn, ovoz va yetkazish talablaridan kelib chiqib belgilang.
Ailoot Ultra · Ovozlashtirish POST /v1/audio/speech mistralai/voxtral-mini-tts-2603
mistralai/voxtral-mini-tts-2603
mistralai/voxtral-mini-tts-2603Boshlash
Voxtral TTS — Mistral AI ning to‘qqiz tilda namuna asosidagi ovoz moslashini qo‘llab-quvvatlovchi 4B nutq yaratish modeli. U tayyor matnni ifodali audioga aylantiradi, qayta ishlatiladigan yoki bir martalik ovoz namunalarini hamda oqimni qo‘llab-quvvatlaydi va hujjatlashtirilgan audio formatlarda 24 kHz chiqish yaratadi.
- Qabul qilinadigan kirish ma’lumotlari
- Matn
- Natijalar
- Audio
Ailoot da mavjud · kirish ma’lumotlari va usullar
Ailoot Ultra · Ovozlashtirish POST /v1/audio/speech
- Kirish
text- Chiqish
audio- Chiqish formati
- mp3
| Maydon | Tur | Talab | Qiymatlar va cheklovlar | Standart |
|---|---|---|---|---|
Maydonmodel | Turstring | TalabMajburiy | Qiymatlar va cheklovlar mistralai/voxtral-mini-tts-2603 | Standart— |
Maydoninput | Turstring | TalabMajburiy | Qiymatlar va cheklovlar Eng kam uzunlik: 1 Birlik: Unicode belgilari | Standart— |
Maydonvoice | Turstring | TalabMajburiy | Qiymatlar va cheklovlar 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 | Standart— |
Maydonresponse_format | Turstring | TalabMajburiy | Qiymatlar va cheklovlar mp3 | Standart— |
Kirish materiallari birikmalari
text_to_speech · Majburiy: input
Usul parametrlari va hayot sikli
| Parametr | Parametr talablari |
|---|---|
Parametrcontent_type | Parametr talablariapplication/json |
Parametrrequired | Parametr talablarimodel, input, voice, response_format |
Parametrvoice_ids | Parametr talablarien_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 |
Parametrresponse_format | Parametr talablarimp3 |
Parametrmax_input_characters | Parametr talablarinull |
Parametrother_options | Parametr talablarifalse |
Parametrinput | Parametr talablariaynan UTF-8 matni; normallashtirmasdan Unicode belgilarini sanash |
Parametrmaterial_types | Parametr talablaritext |
Hayot sikli: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Amalda qaytarilgan task_id yoki media kutubxonasidagi yozuv
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Shu model profilidan aniq ovozni tanlang.
Kirish belgilari va audio soniyalari — turli hisoblash birliklari.
Tariflar
Tarif ma’lumotlari so‘rov imkoniyatlarini qo‘shmaydi. Qo‘llab-quvvatlanadigan parametrlar tanlangan usulda ko‘rsatilgan.
- Tezkor rejim
- Ko‘rsatilmagan Tezkor rejim tanlanganda
- Flex rejimi
- Ko‘rsatilmagan flex rejimi tanlanganda
- Maksimal fikrlash darajasi
- Ko‘rsatilmagan Maksimal fikrlash darajasi uchun standart (default) tuzatish qo‘llanganda
Ailoot tariflari
Sozlamalar bo‘yicha narxlar
Har bir to‘lovni ko‘rsatilgan shartlarga moslang. Har bir muqobil sozlamalar to‘plami uchun bitta tarifdan foydalaning.
| Sozlama | Tariflar jadvali | To‘lanadigan miqdor | Hisob birligi | To‘lov |
|---|---|---|---|---|
| SozlamaTokenlar uchun bazaviy tariflar | Tariflar jadvaliAsosiy tarif | To‘lanadigan miqdor— | Hisob birligi— | To‘lov Kirish · Kirish tokenlari — / 1K token Chiqish · Chiqish tokenlari — / 1K token Kirish · Keshdan o‘qish — / 1K token Kirish · Keshga yozish — / 1K token Kirish · Keshga yozish, 1 soat — / 1K token |
| SozlamaUltra | Tariflar jadvali— | To‘lanadigan miqdorHar bir Unicode kod nuqtasi, jumladan Han belgilari, bitta belgi hisoblanadi. | Hisob birligi1K kirish belgisi uchun | To‘lov Kirish · Kirish belgisi $0.032 1K kirish belgisi uchun |
Ma’lumot uchun tarif tafsilotlari
Modelning ma’lumot jadvallari usul tanlash, narx hisobi yoki to‘lovlarni o‘zgartirmaydi. Amaldagi to‘lovlar tanlangan Ailoot usuli tariflari bo‘yicha hisoblanadi.
Mistral: Voxtral Mini TTS
Sozlamalar bo‘yicha narxlar
| Sozlama | To‘lovni hisoblash shartlari | To‘lov |
|---|---|---|
| SozlamaMistral: Voxtral Mini TTS · Standart sozlama | To‘lovni hisoblash shartlariStandart konfiguratsiya | To‘lov Kirish · Kirish belgilari 0,000032 US$ kirish belgisi uchun |
Ailoot so‘rovdan oldin taxminiy summani band qiladi. Natijadan keyin o‘lchangan sarf asosidagi yakuniy to‘lovni yechadi. Oqimli javob bo‘yicha yakuniy hisob-kitob yakuniy sarf yozuviga asoslanadi. Summani band qilish va to‘lovni hisoblash tartibi →
So‘rov namunalari
Ailoot Ultra · Ovozlashtirish
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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o speech.mp3
Natijalarni olish va saqlash
Ailoot Ultra · Ovozlashtirish
mp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Boshqa kontentni o‘qish
set -eu
: "${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
Barcha tayyor natijalarni saqlash
Qaytarilgan har bir to‘liq javob, fayl va kontent qismini saqlang.
To‘liq ikkilik natija va sarlavhalarni saqlang. JSON yoki bir nechta natija qaytarilsa, har bir ma’lumot elementini saqlang va qaytarilgan har bir haqiqiy imzolangan resurs URL manzilidan faylni yuklab oling.
Asl javobni tekshirish kerak bo‘lsa
Ma’lumotlarni solishtirib tekshirish uchun dastlabki operation_id/X-Client-Request-ID ni saqlang va so‘rovni qayta yubormang; audio holatini davriy tekshirish uchun alohida yo‘nalish yo‘q.
Javob maydonlari
| Maydon | Tur |
|---|---|
Maydonbinary audio | Turbytes |
Maydonresponse headers | Turheaders |
Xatolar va keyingi qadamlar
| Javob | Shart | Keyingi qadam |
|---|---|---|
Javob400 · invalid_request_error | ShartMajburiy maydonlar, material ifodasi yoki parametr qiymati noto‘g‘ri | Keyingi qadamYangi yaratish so‘rovidan oldin ko‘rsatilgan maydonlarni tuzating. |
Javobserver_error | ShartQaytarilgan javob operatsiya yoki natijani tekshirish kerakligini bildiradi | Keyingi qadamDastlab qaytarilgan operatsiya/vazifa ID sini, so‘rov sarlavhalarini va javobni saqlang; aynan shu operatsiya uchun qo‘llab-quvvatlanadigan o‘qish so‘rovlarini davom ettiring. Yaratish so‘rovini qayta yubormang. |
Taxalluslar
Model taxalluslari
Ailoot Ultra mistralai/voxtral-mini-tts-2603
Usul yo‘llari taxalluslari
Yuqorida ko‘rsatilgan usul yo‘llaridan foydalaning.
Chaqirish uchun tegishli ID lar
FAQ · Mistral: Voxtral Mini TTS
- Qanday kirish ma’lumotlari va natijalar mavjud?
POST /v1/audio/speech·mistralai/voxtral-mini-tts-2603:text→audio- So‘rov qaysi maydonlardan foydalanadi?
POST /v1/audio/speech·mistralai/voxtral-mini-tts-2603:model,input,voice,response_format