Mistral objavljuje Voxtral TTS, model otvorenih težina za generisanje govora

26. marta 2026, Mistral je objavio Voxtral TTS — model za sintezu govora sa 4 milijarde parametara, dostupan kao otvorene težine pod CC BY-NC 4.0 licencom. Model podržava devet jezika (engleski, francuski, nemački, španski, holandski, portugalski, italijanski, hindi, arapski), generiše prvi audio fragment za oko 90 milisekundi i može klonirati glas iz tri do pet sekundi referentnog audio zapisa.

U komparativnim testovima sa ElevenLabs Flash v2.5, Voxtral je postigao 68,4% pobeda u testovima ljudskih preferencija za višejezično kloniranje glasa. Po kvalitetu zvuka, model je ravnopravan sa ElevenLabs v3. Za sopstveno pokretanje dovoljan je jedan GPU sa najmanje 16 GB VRAM memorije i težinama u BF16 formatu; Mistral ga je takođe dizajnirao za edge implementaciju na uređajima poput laptopova i pametnih telefona nakon kvantizacije.

Za novinare i autore, najneposrednije primenljivi scenariji su: čitanje članaka ili newslettera kao audio sadržaj, kreiranje podcast epizoda iz pisanih skripti, transkripcija i dabovanje intervjua za višejezičnu publiku i generisanje pristupačnih audio verzija dokumenata. Funkcija kloniranja glasa — prilagođavanje akcentu i intonaciji određenog govornika na osnovu kratkog referentnog isečka — čini je praktičnom za kreiranje konzistentnog glasovnog izlaza bez troškova po minuti API-ja.

Težine su dostupne na Hugging Face pod identifikatorom mistralai/Voxtral-4B-TTS-2603 bez naknade za nekomercijalnu i istraživačku upotrebu. Komercijalna upotreba težina zahteva poseban sporazum sa Mistral-om. Za timove koji preferiraju API umesto sopstvenog pokretanja, Mistral nudi Voxtral TTS putem svoje platforme po ceni od 0,016 dolara na 1.000 karaktera.

CC BY-NC licenca razlikuje Voxtral od Mistral-ovih Voxtral modela za prepoznavanje govora, koji su pod Apache 2.0. Timovi koji grade komercijalne proizvode treba da provere koja licenca se odnosi na njihov specifičan slučaj upotrebe pre implementacije.