Francouzská AI společnost Mistral vydala Voxtral TTS, lehký open-source model pro převod textu na řeč s pouhými 4 miliardami parametrů, který lze provozovat na běžném spotřebitelském hardwaru od notebooků po smartphony. Model je postaven na architektuře Ministral 3B, podporuje devět jazyků včetně angličtiny, francouzštiny, němčiny, španělštiny a arabštiny a dokáže naklonovat jakýkoli hlas z pouhých tří sekund referenčního záznamu.

Hodnocení lidskými posuzovateli ukazuje, že Voxtral TTS dosahuje srovnatelné přirozenosti s ElevenLabs Flash v2.5 a v realistických interakcích se vyrovná i většímu modelu v3. Model generuje první zvuk za 90 milisekund a desetisekundový klip vykreslí přibližně za 1,6 sekundy, což je dostatečně rychlé pro hlasové agenty v reálném čase, dabing i živý překlad.

Voxtral TTS je dostupný pod licencí Creative Commons na Hugging Face a také prostřednictvím Mistral Studia a Le Chat. Vydání staví Mistral do přímé konkurence s ElevenLabs, Deepgram a OpenAI na rychle rostoucím trhu hlasové AI.