Voxtral Studio

TEXT

0 ZEICHEN · 0 WÖRTER Zahlen und Abkürzungen ausschreiben, kein Markdown.

FORMAT

STREAMING SSE, niedrigste Latenz bei PCM

REFERENZAUDIO (OPTIONAL, ÜBERSCHREIBT STIMMENWAHL)

0,0 s

VORLESETEXT UND SPRECHTIPPS

SPRACHE DES VORLESETEXTS TEXT ZUM VORLESEN (ÄNDERBAR)

Der Text wird nicht mitgeschickt — er dient nur als Vorlage beim Sprechen. Die Sprache der Aufnahme bestimmt den Akzent: ein deutsches Sample spricht später akzentfreies Deutsch, ein englisches Sample erzeugt bei deutschem Text einen englischen Einschlag.

SO KLINGT ES GUT

Lebendig sprechen. Das ist der einzige echte Ausdrucks-Regler: Die API kennt keinen Emotions-Parameter, das Modell übernimmt die Stimmung direkt aus dem Sample. Monotone Aufnahmen erzeugen monotone Ausgabe.
Tonhöhe bewusst bewegen. Fragen oben enden lassen, Aussagen unten. Genau diese Melodie wird geklont.
Gleichmäßiges Tempo, keine langen Pausen, kein Räuspern, kein „ähm" — Stockungen übertragen sich mit.
Eine Person, ruhiger Raum. Keine zweite Stimme, keine Musik, kein Straßenlärm im Hintergrund.
Nah ans Mikrofon, aber nicht hineinatmen. Eine Handbreit Abstand ist ein guter Richtwert.
Drei bis fünfundzwanzig Sekunden. Kürzer reicht dem Modell nicht, länger bringt nichts mehr.
Die Stimmung überträgt sich. Fröhlich eingesprochen ergibt fröhliche Ausgabe — so steuert man den Tonfall, nicht über Einstellungen.

STATTDESSEN DATEI HOCHLADEN

STIMME SUCHEN

Keine Stimmen gefunden.

STIMME ANLEGEN

NAME SAMPLE (3–25 S, EIN SPRECHER, KEIN HINTERGRUNDGERÄUSCH)

STATTDESSEN JETZT AUFNEHMEN

0,0 s

VORLESETEXT UND SPRECHTIPPS

SPRACHE DES VORLESETEXTS TEXT ZUM VORLESEN (ÄNDERBAR)

SO KLINGT ES GUT

Lebendig sprechen. Das ist der einzige echte Ausdrucks-Regler: Die API kennt keinen Emotions-Parameter, das Modell übernimmt die Stimmung direkt aus dem Sample. Monotone Aufnahmen erzeugen monotone Ausgabe.
Tonhöhe bewusst bewegen. Fragen oben enden lassen, Aussagen unten. Genau diese Melodie wird geklont.
Gleichmäßiges Tempo, keine langen Pausen, kein Räuspern, kein „ähm" — Stockungen übertragen sich mit.
Eine Person, ruhiger Raum. Keine zweite Stimme, keine Musik, kein Straßenlärm im Hintergrund.
Nah ans Mikrofon, aber nicht hineinatmen. Eine Handbreit Abstand ist ein guter Richtwert.
Drei bis fünfundzwanzig Sekunden. Kürzer reicht dem Modell nicht, länger bringt nichts mehr.
Die Stimmung überträgt sich. Fröhlich eingesprochen ergibt fröhliche Ausgabe — so steuert man den Tonfall, nicht über Einstellungen.

GESCHLECHT

SPRACHEN

BESCHREIBUNG

Mistral-API-Schlüssel