多语言语音生成
生成逼真、富有情感表达的语音，并定位于覆盖 9 种受支持语言的多语言语音生成。
概述
Voxtral TTS 是 Mistral 推出的首个文本转语音模型，作为支持开放权重的系统发布，用于多语言语音生成。它旨在将文本转化为逼真的语音，适用于语音代理和其他语音界面，重点关注自然度、低延迟以及对新音色的便捷适配。
Mistral 将该模型定位于对质量和速度同样敏感的企业语音工作流。公告强调其支持 9 种语言、富有情感表达的语音、通过短参考音频进行自定义音色适配，以及可通过 Mistral Studio、Le Chat、API 和 Hugging Face 上的开放权重进行访问。
功能
即时音色适配
支持通过简短参考音频进行自定义音色适配，包括口音、语调、停顿和其他说话细节。
低延迟输出
专为低延迟流式输出而设计，据称在典型的 10 秒语音样本和 500 个字符场景下模型延迟为 70 毫秒。
紧凑的模型体积
采用紧凑的 40 亿参数模型规模，Mistral 表示这有助于在大规模部署语音代理时兼顾自然度与成本效益。
跨语言音色提示
支持跨语言音色适配，可使用另一种语言的音色提示来生成某种语言的语音。
Studio 与 API 访问
可在 Mistral Studio 中测试，来源还说明 API 包括预设音色，并可扩展到内部音色库。
使用场景
语音代理
为需要自然、富有表现力的语音输出，而非机械朗读文本的助手和代理生成口语回复。
多语言本地化
在保留参考音色或口音一致性的同时，将面向客户的音频本地化为受支持语言。
跨语言翻译
创建语音到语音翻译流程，使生成结果在改变语言的同时保留源声音色特征。
语音原型设计
在将模型接入生产系统之前，先在 Mistral Studio 中测试语音参考，原型设计或优化品牌内部音色。
企业语音流程
使用 API 或开放权重为现有 LLM 或语音转文本流程添加语音输出，而无需替换其余技术栈。
Pros and Cons
Pros
- 支持 9 种主要语言和多种方言，适合多语言语音生成。
- 可根据简短参考样本适配自定义音色，并保留节奏和语调等说话风格细节。
- 强调面向语音代理场景和流式输出的低延迟。
- 提供多种访问方式，包括 Mistral Studio、Le Chat、API 使用以及 Hugging Face 上的开放权重。
- 从设计上支持跨语言音色适配，可用于语音到语音翻译工作流。
Cons
- 产品页面关于集成方式的公开细节有限，除了 Mistral Studio、Le Chat、API 和 Hugging Face 的可用性之外没有太多信息。
- 公告没有提供 Voxtral TTS 的完整定价层级明细，仅提到了 API 费率。
- 开放权重版本说明可在 CC BY NC 4.0 下提供，这可能并不适合所有商业使用场景，需先核对条款。
FAQ
如何访问 Voxtral TTS？
Voxtral TTS 可通过 API 立即使用，Mistral 也表示可在 Mistral Studio 和 Le Chat 中试用。
Voxtral TTS 支持哪些语言？
来源称它支持 9 种语言：英语、法语、德语、西班牙语、荷兰语、葡萄牙语、意大利语、印地语和阿拉伯语。
Voxtral TTS 需要多少参考音频？
该模型描述为可接收约 5 到 25 秒的音色提示和文本提示。Mistral 还表示，它仅需 3 秒的参考音频就能适配自定义音色。
Voxtral TTS 可以生成长音频片段吗？
公告称，API 通过智能交错可处理任意长度的生成，而模型本身原生可生成最多两分钟的音频。
Voxtral TTS 是开放权重吗？
Mistral 表示，带有多个参考音色的模型可作为 Hugging Face 上的开放权重提供，许可证为 CC BY NC 4.0。
Quick Facts
- 类别
- 文本转语音
- 产品
- Voxtral TTS
- 厂商
- Mistral AI
- 源域名
- mistral.ai
- 语言
- 英语、法语、德语、西班牙语、荷兰语、葡萄牙语、意大利语、印地语、阿拉伯语
- 访问方式
- API、Mistral Studio、Le Chat、Hugging Face 上的开放权重
Voxtral TTS 替代品
Wallie
Wallie 是一款开源 AI 直播助手，能观看屏幕、聆听聊天并以可配置人设生成实时解说。支持本地运行、使用自有密钥，适合无真人出镜内容、自动化直播和实时互动。
Gemini 3.1 Flash TTS
Gemini 3.1 Flash TTS 是 Google 的预览版文本转语音模型，可生成富有表现力的 AI 语音，并支持对风格、语速和表达方式进行细粒度控制，适用于 Gemini API、Google AI Studio、Vertex AI 和 Google Vids。
蓝藻AI
蓝藻AI是一款在线AI配音与语音合成工具，可将文字转成语音，并支持自助声音克隆，适用于短视频、有声书等配音场景。
Ondoku
Ondoku 是一款基于浏览器的文字转语音软件，可将文本转换为可下载的 .mp3 语音，提供免费额度与付费方案，支持多语言朗读、图片朗读，并可按规则商用。
PXZ AI
一个集成图像、视频、语音、写作和聊天工具的全能AI平台，以增强创造力和协作。
Gemma AI
Gemma AI 是一款电话提醒应用，会按计划给你打电话提醒，而不是推送通知。支持 Google Calendar 同步与自然对话式通话交互，帮助你更直接地按时安排。