Mistral AI 发布 Voxtral TTS，多语言语音合成模型

Mistral AI 发布了其首款文本转语音模型 Voxtral TTS，拥有 40 亿参数，提供最先进的多语言语音生成能力。该模型支持 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。其特点包括低延迟（模型延迟 70 毫秒）、零样本跨语言语音适配以及基于上下文理解的情感表达。语音适配仅需 3 秒的参考音频。人工评估显示，其自然度优于 ElevenLabs Flash v2.5，同时与 ElevenLabs v3 质量相当。架构包括 34 亿参数的 Transformer 解码器主干、3.9 亿参数的流匹配声学 Transformer 以及 3 亿参数的神经音频编解码器。可通过 API 调用，价格为每 1000 字符 0.016 美元，也可在 Mistral Studio 中使用。部分模型权重已在 Hugging Face 上以 CC BY NC 4.0 许可开源。