Voix
Chaque requête de synthèse vocale désigne une voix, et la voix détermine le locuteur que l'auditeur entend. Savoir ce qu'une voix fixe, et ce que chaque requête peut encore modifier, vous indique quel type de voix utiliser et comment la diriger.
Ce qu'est une voix
Une voix est une identité de locuteur que vous référencez par son ID dans une requête de synthèse vocale. Elle définit la manière dont sonne le locuteur, son timbre et son accent, et reste identique d'une requête à l'autre. C'est ainsi que votre application conserve un même locuteur reconnaissable dans toutes ses réponses.
Tout le reste accompagne chaque requête : le texte à lire, son interprétation et la prononciation de certains mots. Pour parcourir les voix et les écouter, consultez la bibliothèque de voix.
Types de voix
Il existe trois types de voix. Elles se distinguent par l'origine de la voix et par la durée pendant laquelle vous pouvez la réutiliser.
| Type | Origine | Durée d'utilisation |
|---|---|---|
| Voix prédéfinie | Fournie par Mistral. Voxtral 3 est livré avec ses propres voix, et les voix prédéfinies de Voxtral 2 restent acceptées. | Dans n'importe quelle requête, par son ID de voix |
| Voix clonée | Un enregistrement que vous envoyez avec la requête. Avec le clonage zero-shot, un enregistrement court suffit et aucun entraînement n'est nécessaire. | Uniquement dans cette requête |
| Voix sauvegardée | Une voix clonée stockée dans votre espace de travail | Dans n'importe quelle requête, par son ID, jusqu'à ce que vous la supprimiez |
Un clone reproduit plus que le timbre du locuteur. Il reprend aussi l'interprétation de l'enregistrement, comme son émotion et son rythme, ainsi que sa sonorité, par exemple le bruit de fond ou le micro utilisé. Enregistrez le clip dans le style que vous voulez entendre. Pour l'enregistrement à fournir, consultez Clonage de la voix.
Le clonage professionnel de la voix (PVC) crée une voix à partir d'une collection d'enregistrements (durée recommandée : 30 minutes à 3 heures). La voix inscrite est référencée par son ID de voix dans les requêtes de synthèse. Le PVC est le workflow recommandé pour les voix personnalisées.
Choisir une voix, puis la diriger
Choisissez la voix en fonction de qui doit parler. Les réglages suivants modifient ensuite la manière dont elle dit chaque phrase, sans changer la voix :
| Réglage | Ce qu'il modifie | Portée |
|---|---|---|
| Balises d'émotion et de rythme | L'émotion et le débit de parole | Une partie du texte |
| Instructions de style | Les Instructions de style ne sont pas disponibles au lancement. | Toute l'entrée |
| Prononciation personnalisée | La prononciation de certains mots, comme les noms de marque | Les mots que vous indiquez |
| Expressivité | Contrôle le caractère expressif de la voix. Des valeurs plus élevées renforcent l'interprétation au détriment de la similarité et de la stabilité de la voix. | Toute la requête |
L'émotion dans Voxtral 2 et Voxtral 3
Voxtral 2 et Voxtral 3 gèrent l'émotion différemment. Avec Voxtral 2, l'émotion vient de la voix : chaque locuteur prédéfini possède une variante par émotion, comme gb_jane_neutral et gb_jane_sad, dérivée de son audio de référence. Avec Voxtral 3, vous gardez une seule voix et définissez l'émotion directement dans le texte à l'aide de balises, ce qui offre un contrôle plus fin. Si vous migrez depuis Voxtral 2, consultez Migrer depuis Voxtral 2.
Voix et langues
Chaque voix prédéfinie possède sa propre langue et son propre accent, répertoriés dans la bibliothèque de voix : par exemple, Jane parle British English et Marie parle French. Pour les langues prises en charge par la génération vocale, consultez Langues.