Mistral AI 发布首个语音合成模型 Voxtral TTS

背景

语音合成（text-to-speech，TTS）是把文字转成语音的技术。早期的系统靠拼接录好的语音片段来「说话」，现在的系统多是神经网络：用大量录音训练，学习把字符或音素映射成声波。实际使用中，有两件事决定一个合成模型好不好用。一是音色克隆：能否只给一小段某人的录音，就让模型用这个声音朗读新文字，而不是只能在固定的几个发音人之间挑选。二是延迟：从送入文字到听见声音之间的等待。延迟在对话场景里尤其关键，回答来得太慢，对话的节奏就断了。

发布了什么

2026 年 3 月 23 日，Mistral AI 发布语音合成模型 Voxtral TTS，参数量为 40 亿^[1]。参数量是网络中可学习权重的数量，可以粗略衡量模型规模；40 亿这个量级意味着语音合成可以作为一个单独的服务运行，而不必拆成一长串相互衔接的模块。

该模型支持 9 种语言^[1]，并支持用 3 秒音频进行音色克隆^[1]。也就是说，用户提供一段很短的录音，模型就能用这个声音朗读新的文字。3 秒短到可以从一通电话、一句现成的话里截取，这正是克隆在 audiobook、配音、以及用用户自己的声音说话的助手这类场景中变得可行的原因。

授权与价格

模型权重以 CC BY-NC 4.0 协议发布^[1]。该协议允许在署名的情况下使用、分享和修改，但限于非商业用途；想把模型做进产品的公司需要另行安排授权。除了开放权重，Mistral 还提供 API，价格为每 1000 字符 0.016 美元^[1]。按字符计费意味着成本取决于文本长度而不是生成的音频长短，对于朗读文章、文档这类文字量大的用途，预算比较容易估算。

速度与评测

Mistral 称，对于一段典型的 10 秒语音样本，模型的延迟为 70 毫秒^[1]。几十毫秒远低于人在对话中开始察觉停顿的约一秒量级，因此若这一数字在实际服务中成立，该模型就落进了交互式语音应用所需的范围内。

Mistral 还表示，其内部的人工评测认为 Voxtral TTS 比 ElevenLabs Flash v2.5 更自然^[1]。自然度通常通过让听者对样本打分或做对比来判断，与可懂度、说话人相似度并列，是衡量合成语音质量的主要维度之一。这一比较来自 Mistral 自己的评测，而非独立的基准测试，因此它代表的是厂商自身的测量结果。

意义

这次发布让一个此前以文本模型为人所知的产品线有了语音输出能力。它也沿用了开放权重发布中常见的一种做法：提供可下载的版本供研究和非商业使用，同时提供付费的托管接口供生产环境使用，并公开按单位计费的价格，让开发者可以直接与其他方案比较。至于模型在 Mistral 自己的测试之外表现如何——面对不同口音、嘈杂的参考录音，以及训练数据较少的语言时是否依然可靠——这类问题要靠独立评测和更广泛的使用来回答。