Mistral AI 发布首个文本转语音模型 Voxtral TTS

Voxtral TTS 是什么？

2026年3月23日，Mistral AI 发布了 Voxtral TTS，这是他们第一个文本转语音模型。它能把文字变成听起来很自然的语音，支持 9 种语言，还能模仿不同人的声音。官方未说明它是否开源，目前可以通过 API 和 Mistral Studio 使用。

打个比方，它就像一个会学人说话的智能配音员：你给它一段文字和一个人的声音样本，它就能用那个人的声音把文字读出来，还能带感情。

它有什么特别的能力？

Voxtral TTS 只有 40 亿个参数，在 AI 模型里算很轻巧的。它能生成带有真实情感的声音，比如开心、中性、讽刺等语气。它还能在只听 3 秒声音样本的情况下，模仿一个人的说话方式，包括停顿、节奏、语调和情绪。

更厉害的是，它还能跨语言模仿：比如用一段法语的声音样本，让它用英语说话，结果会带有自然的法语口音。这就像一个人学外语时还带着家乡口音，听起来很真实。

它支持哪些语言？

Voxtral TTS 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。官方还提供了美式、英式和法式口音的预设声音。

它训练时用了大量语音数据，所以能适应不同地区的口音和说话习惯。对于需要多语言语音的企业来说，这很方便。

它有多快？

对于语音助手来说，反应速度很重要。Voxtral TTS 的模型延迟只有 70 毫秒（处理 10 秒声音样本和 500 个字符的典型输入），实时因子约为 9.7 倍。它能一次生成最多 2 分钟的音频，API 还能处理更长的内容。

这意味着它说话几乎和真人一样快，不会让你等很久。

它的内部是怎么工作的？

Voxtral TTS 是一个基于 Transformer 的自回归流匹配模型，建立在 Ministral 3B 之上。它由三部分组成：一个 34 亿参数的 Transformer 解码器主干、一个 3.9 亿参数的流匹配声学 Transformer，以及一个 3 亿参数的神经音频编解码器。

模型接收 5 到 25 秒的声音提示和文本提示，然后逐帧预测语义标记，再通过流匹配生成声学特征。它使用自研的编解码器，以 12.5Hz 的帧率处理音频。

它和别的模型比怎么样？

官方进行了人类评估，让母语者对比 Voxtral TTS 和 ElevenLabs Flash v2.5。在零样本自定义声音场景下，Voxtral TTS 的自然度更胜一筹，同时保持相似的首次音频时间。它的质量与 ElevenLabs v3 相当，还能支持情感引导。

在语音定制胜率测试中，Voxtral TTS 获得了 68.4% 的偏好，而 ElevenLabs 为 31.6%。

谁适合用它？

Voxtral TTS 适合需要语音功能的企业，比如构建语音助手、客服系统或有声内容。它成本低、延迟低、容易定制，起价每千字符 0.016 美元。开发者可以通过 API 或 Mistral Studio 快速试用。

不过，官方未说明它是否开源，也没有提到语音克隆的伦理限制，使用时需要注意合规问题。