Voxtral Mini TTS — озвучка текста, языки и стоимость API

Контекст: 4 096токенов
Результат: Синтез речиформат ответа
Стоимость: Тариф уточняетсяусловия — в блоке подключения

ПОДКЛЮЧЕНИЕ

От модели к первому запросу

Используйте идентификатор модели в совместимом API-клиенте. Полные параметры, ключи и ответы с ошибками описаны в документации.

const response = await client.chat.completions.create({
  model: "mistralai/voxtral-mini-tts-2603",
  messages: [{ role: "user", content: "Ваш запрос" }],
});

Открыть инструкцию по подключению →

ПОДРОБНЫЙ ОБЗОР

Возможности модели

Версия voxtral-mini-tts-2603 предназначена для синтеза речи. В официальном списке девять языков: английский, французский, испанский, немецкий, итальянский, португальский, нидерландский, арабский и хинди. Русский в этом списке отсутствует, поэтому рассчитывать на заявленную поддержку русской озвучки нельзя.

Подготовьте текст для слуха

Фраза, понятная на экране, может звучать неоднозначно. До генерации раскройте сокращения и определите, как читать номера, даты и обозначения. В инструкции к приложению название кнопки должно совпадать с интерфейсом, но соседнее пояснение лучше строить короткими предложениями. Просмотрите текст без визуальных подсказок: если смысл зависит от таблицы или слова «здесь», добавьте словесное объяснение. Не поручайте озвучке одновременно редактирование содержания. Сначала утвердите формулировку, затем создавайте её аудиоверсию.

Разделите инструкцию на устойчивые фрагменты

Сохраните отдельный текст каждого шага и его идентификатор. Когда изменится одна кнопка, можно будет заменить соответствующий фрагмент, а не заново собирать всю инструкцию. При этом проверьте стык соседних частей: темп, громкость и пауза должны восприниматься последовательно. Не разрезайте предложение в месте, где следующая часть определяет интонацию предыдущей. Храните связь аудиофайла с редакцией текста, чтобы после обновления приложения не воспроизводилась старая команда под новым описанием.

Проверяйте содержание прослушиванием

Для приёмки выберите фразы с числами, похожими названиями и отрицаниями. Слушатель должен различить, например, разрешённое и запрещённое действие, а не просто отметить разборчивый голос. Сравните запись с утверждённым текстом и отметьте пропуски, повторы и неправильные ударения в именах. Автоматическая обратная транскрибация может помочь найти расхождения, но не заменяет прослушивание. Если инструкция предназначена для другого языка, проверку лучше поручить человеку, который понимает его произношение и контекст использования.

API озвучки и выбор голоса

В документации Mistral генерация речи использует отдельный аудиоинтерфейс; примеры допускают сохранённый голос или референсную запись. Поддержку этих вариантов нужно проверять в конкретном подключении. Обычный чат с текстовым ответом не подтверждает возможность получить аудиофайл. Проверьте формат результата, способ его сохранения и воспроизведение в вашем приложении. Если используется образец чужого голоса, заранее получите разрешение владельца. Наличие функции адаптации голоса не даёт права выдавать запись за реальные слова другого человека.

Документация подключения

Цена озвучки: символы и токены — разные единицы

Для Voxtral TTS документация разработчика указывает тарифную единицу в символах. Нельзя подставлять этот тариф в обычную формулу за миллион текстовых токенов: одинаковая строка имеет разное число символов и токенов. Перед оплатой проверьте опубликованную единицу расчёта выбранного подключения. В бюджет добавьте повторную генерацию исправленных фрагментов и контрольных вариантов. Длительность готовой записи тоже не равна числу символов автоматически: на неё влияют текст и манера чтения. Сохраняйте фактический расход вместе с принятой аудиоверсией.

Как различать единицы расчёта стоимости

Вопросы и ответы

Поддерживает ли Voxtral TTS русский язык?

Русский отсутствует в официальном списке девяти языков этой версии. Это не доказательство невозможности любого результата, но обещать поддерживаемую русскую озвучку оснований нет.

Voxtral TTS расшифровывает запись?

Назначение этой модели — создание речи из текста. Для получения текста из аудиозаписи нужна модель транскрибации, а не TTS.

Можно ли исправить один шаг готовой инструкции?

Если текст и аудио сохранены по фрагментам, можно перегенерировать нужный шаг. После замены проверьте переходы и соответствие всей записи текущей инструкции.

Как купить токены для озвучки?

Сначала проверьте единицу тарифа: для TTS она может отличаться от текстовых моделей. Документация Voxtral использует символы; ориентируйтесь на условия конкретного подключения и фактический учёт расходов.

Лицензия Voxtral TTS совпадает с другими Voxtral?

У опубликованных весов TTS указана CC BY-NC 4.0. Не переносите Apache 2.0 соседних моделей на эту версию. Условия использования удалённого API проверяются отдельно.