Voxtral TTS 是 Mistral 的文本转语音模型。根据其模型页面,26.03 版本(API ID 为 voxtral-mini-tts-2603)发布于 2026 年 3 月 23 日,支持 9 种语言和零样本声音克隆,支持流式输出,首个音频延迟约 90 毫秒,通过 /v1/audio/speech 端点提供。Mistral 此后又列出了更新的模型 Voxtral TTS 3,见下文。
更新的模型
Mistral 的模型总览现已列出 Voxtral TTS 3(voxtral-mini-tts-3-0)。其模型页面显示发布日期为 2026 年 10 月 20 日,状态为 Public Preview,支持 35 种以上语言和 50 多种方言,提供零样本与专业声音克隆,流式输出首个音频约 90 毫秒,价格为每百万字符 $13。这些页面没有把 26.03 标为弃用,也没有说明新模型是否取代它。
核心功能
- 零样本声音克隆:用一小段声音提示即可克隆声音。页面称声音提示不需要文字稿。
- 低延迟:首个音频约 90 毫秒,支持流式输出。
- 多语言:26.03 版支持 9 种语言,页面没有列出具体语言。
- 许可证:CC BY-NC 4.0,为非商业许可证。
模型规格
| 规格 | Voxtral TTS 26.03 |
|---|---|
| API 模型 ID | voxtral-mini-tts-2603 |
| 发布日期 | 2026 年 3 月 23 日 |
| 语言 | 9 种 |
| 首个音频延迟 | 约 90 毫秒,流式 |
| 许可证 | CC BY-NC 4.0 |
| 端点 | /v1/audio/speech |
定价
模型页面(我们于 2026 年 10 月 29 日查看)列出 26.03 版本每百万字符 $16。预算前请到 Mistral 定价页面确认。
适用场景
- 需要快速首个音频的语音智能体。
- 使用你有权使用的克隆声音做旁白和配音。
- 与 Voxtral Mini Transcribe 2 等语音识别搭配,构成完整的语音闭环。
快速开始
- 创建 Mistral API 密钥,使用 Voxtral TTS 模型调用
/v1/audio/speech。 - 提供一小段声音提示用于克隆声音,并开启流式输出以获得低延迟。
- 商用前先查看许可条款,页面标注的许可证是 CC BY-NC 4.0。
常见问题
Voxtral TTS 支持多少种语言?
26.03 版本支持 9 种语言。更新的 Voxtral TTS 3 列出 35 种以上语言和 50 多种方言。
价格是多少?
截至 2026 年 10 月 29 日,26.03 为每百万字符 $16,Voxtral TTS 3 为每百万字符 $13。
它能克隆声音吗?
能。26.03 版提供零样本声音克隆,Voxtral TTS 3 还增加了专业声音克隆。
可以商用吗?
页面标注的是 CC BY-NC 4.0,即非商业许可。请确认适用于你的获取途径的条款。
替代方案
- Voxtral Mini Transcribe 2:Mistral 的转写模型。
- OpenAI tts-1:OpenAI 更早的文本转语音模型。
- ElevenLabs Turbo v2.5:ElevenLabs 的低延迟语音模型。
总结
Voxtral TTS 把流式语音、声音克隆和按字符计价的公开价格结合在一起。详情见模型页面,如果需要更广的语言覆盖,可考虑 Voxtral TTS 3。
评论
还没有评论。成为第一个评论的人!