Voxtral TTS

是什么

Voxtral TTS 是 Mistral AI 发布的第一个文本转语音（text-to-speech）模型，2026 年 3 月 23 日推出^[1]。给它一段文字，它读出声音；给它一段某人的录音，它可以用那个人的音色读新的文字。整个模型约 40 亿参数^[1]。

语音合成是把语言模型的输出从「可读」变成「可听」的一步，朗读、无障碍工具、语音界面都建立在它之上。

结构

Mistral 把它建在 Ministral 3B 之上，系统由三部分组成：3.4B 的 Transformer 解码器、390M 的流匹配（flow matching）声学 Transformer，以及 300M 的神经音频编解码器（neural audio codec），工作在 12.5 Hz^[1]。Mistral 把整个模型描述为基于 Transformer 的自回归（autoregressive）、流匹配模型^[1]。

这三个名字对应语音生成里常见的分工：解码器处理文本，声学 Transformer 生成声音的中间表示，编解码器负责在音频与模型预测的离散单元之间来回转换。12.5 Hz 的意思是每秒音频对应 12.5 个单元——比起逐点表示波形，模型要生成的序列短得多。

自回归指的是一次产生一个单元，每一步都以已经生成的单元为条件，和语言模型写文本的方式相同。流匹配则是生成连续信号的一种办法：模型学一个变换，把一个简单的起点（基本就是噪声）逐步搬到目标分布上，声学 Transformer 用它把解码器的输出变成音频特征。

语言与音色克隆

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^[1]。音色克隆只需要最短 3 秒的参考片段，并且能零样本（zero-shot）跨语言朗读^[1]。这里的零样本指不针对目标音色或目标语言再做训练，参考片段就是全部输入。3 秒的门槛意味着随手录一段就够用，做多语言配音时可以让同一个音色说几种语言。

速度与时长

典型请求的模型延迟为 70 毫秒，单次生成最长 2 分钟音频^[1]。延迟指模型自身出结果所用的时间；2 分钟的量级足够读完一整段叙述，而不是一句话。

获取方式

权重以 CC BY-NC 4.0 许可开放^[1]，该许可允许署名后复用，但不包括商业用途。走 API 的价格是每 1000 字符 0.016 美元^[1]。Hugging Face 上以同一许可托管了若干参考音色^[1]。

评测

在 Mistral 自己做的听感评测里，听者在自然度上更偏好 Voxtral TTS 而不是 ElevenLabs Flash v2.5^[1]。Mistral 还表示 Voxtral TTS 的质量与 ElevenLabs v3 持平^[1]。这两条都出自厂商自己的测试，而不是独立的公开基准。

在路线中的位置

Voxtral TTS 的后继者是 Voxtral TTS 3，于 2026 年 10 月 20 日进入公开预览^[3]。Voxtral TTS 本身在 2026 年 10 月 31 日被列为弃用^[2][3]，退役日期是 2027 年 4 月 30 日^[2]。