Voxtral 3: válassz hangot, majd állítsd be az előadásmódját
A Mistral külön kezeli a hangazonosságot és a szövegbe írt érzelmi vezérlést, miközben a régebbi érzelmi hangváltozatokat is elfogadja.
A hangválasztási útmutató megkülönbözteti a kész hang elnevezett azonosítóját a munkatérben létrehozott hang visszakapott azonosítójától. Mindkettő a voice_id mezőbe kerül; ismeretlen érték esetén a kérés 404-es hibát ad. A Voxtral 3 hangjainál ugyanahhoz a hanghoz szövegbe írt érzelmi vezérlés tartozik. A régebbi Voxtral 2 kész hangjai továbbra is elfogadottak, az egyes érzelmekhez külön változatokkal.
Önálló üzenethez a beszédgenerálási útmutató a modellt, a szöveget, a hangot és a kimeneti formátumot tartalmazó kérést mutat be. A válasz audio_data mezőjét base64-kódolásból kell visszaalakítani, majd hangfájlba menteni. Javasolt próba: készíts rövid, kitalált rendelési tájékoztatót, és hallgasd meg az elmentett eredményt. Ha erőltetett az előadásmód, a Mistral az expresszivitás csökkentését javasolja; magasabb értéknél az erőteljesebb előadás a hanghasonlóság és a stabilitás rovására megy. Szabad szöveges stílusutasítás az induláskor nem érhető el.
A címkék dokumentációja az érzelmi és tempójelölőket az érintett szöveg elé helyezi. Nem hangzanak el, és a következő címkéig vagy a bemenet végéig érvényesek. Ugyanazon szövegrészt típusonként csak egy címke vezérelheti. A dokumentált támogatás angolra vonatkozik; franciául, németül, spanyolul, olaszul, portugálul és hindiül várható a működés, de nem tesztelték. Nem támogatott címkeértéknél is érkezhet szokásos válasz, ezért a kérés sikere önmagában nem bizonyítja a kért vezérlés támogatását.
Ezek fejlesztői API-műveletek: a hangfeldolgozási áttekintés minden kéréshez AI Studio-kulcsot ír elő. Modelltáblázata az induláskor átírásra korlátozza a Small Transcribe 3-at; ez a beszédgenerálástól különálló összetevő.
A Voxtral 3 megjelenéséről a MarkTechPost is beszámolt.
