Voxtral TTS

Voxtral 4B TTS 2603 executa localmente no Apple Silicon pelo módulo VoxtralTTS: 20 vozes predefinidas, nove idiomas e fala mono a 24 kHz.

Linha de comando

speech speak "Hello, welcome to Voxtral." --engine voxtral --voxtral-voice casual_male --stream --voxtral-chunk-frames 3 -o hello.wav
speech speak --engine voxtral --list-speakers
speech speak "Bonjour." --engine voxtral --voxtral-voice fr_female --voxtral-max-frames 500 --voxtral-seed 0 -o bonjour.wav

API Swift

import VoxtralTTS

let model = try await VoxtralTTSModel.fromPretrained()
for try await chunk in model.generateStream(text: "Hello, welcome to Voxtral.", voice: "casual_male") {
    print(chunk.frameIndex, chunk.samples.count, chunk.isFinal)
}

API do servidor

curl http://localhost:8080/v1/audio/speech \
  -H 'Content-Type: application/json' \
  -d '{"model":"voxtral-tts","input":"Hello, welcome to Voxtral.","voice":"casual_male","response_format":"wav"}' \
  -o hello.wav

/v1/realtime: session.update → {"model":"voxtral-tts","voice":"casual_male"}; response.create → {"instructions":"Hello, welcome to Voxtral."}.

curl http://localhost:8080/v1/audio/speech \
  -H 'Content-Type: application/json' \
  -d '{"model":"voxtral-tts","input":"Hello, welcome to Voxtral.","voice":"casual_male","stream":true,"response_format":"pcm"}' \
  -o hello.pcm

Vozes predefinidas

`en`	`casual_male, casual_female, cheerful_female, neutral_male, neutral_female`
`fr`	`fr_male, fr_female`
`es`	`es_male, es_female`
`de`	`de_male, de_female`
`it`	`it_male, it_female`
`pt`	`pt_male, pt_female`
`nl`	`nl_male, nl_female`
`ar`	`ar_male`
`hi`	`hi_male, hi_female`

Limites e gestão do estado

Apenas vozes predefinidas; a clonagem com áudio de referência não está disponível. SDK, CLI, WebSocket e HTTP PCM emitem áudio durante a geração. O texto de entrada completo deve ser fornecido no início. Os pesos usam CC BY-NC 4.0.

Cada pedido possui a sua própria cache do modelo de linguagem, histórico do codec e semente aleatória. A entrega por callback aguarda o consumidor. O bloco padrão tem 3 quadros (240 ms de áudio), com limite de 500 quadros (40 segundos). Uma falha pode ocorrer após a emissão de áudio; apenas a conclusão normal envia o marcador final.

VoxtralTTSOptions(streamingChunkFrames: 3) · generateStreaming(onChunk:) · AudioChunk.isFinal.

MLX 4-bit · Mistral · VoxtralTTS