Mistral AI 发布 Voxtral TTS 语音生成模型

Mistral AI 发布其首个文本转语音模型 Voxtral TTS，4B 参数，支持 9 种语言。人类评测显示自然度优于 ElevenLabs v2.5 Flash、与 ElevenLabs v3 质量相当；模型延迟 70ms，10 秒参考音频即可克隆声音，支持零样本跨语言语音适配，可通过 API 使用（$0.016 per 1k characters），并提供带参考声音的开放权重版本。