Voxtral TTS 3 через API из России: озвучка текста и цены в рублях

Voxtral TTS 3 — модель синтеза речи от Mistral AI, выпущенная 20 октября 2026 года. Она превращает текст в аудио, поддерживает клонирование голоса по короткому образцу и управление интонацией. Через Hubris модель доступна по адресу POST /v1/audio/speech, совместимому с OpenAI Audio Speech API; озвучка тарифицируется за символы входного текста — 1 641,08 ₽ за 1 млн символов. Оплата идёт в рублях, отдельный аккаунт Mistral не нужен.

Что умеет Voxtral TTS 3

Voxtral TTS 3 (mistralai/voxtral-mini-tts-3-0) — модель преобразования текста в речь. На вход она принимает текст, а также короткий аудиофрагмент, если нужно клонировать голос. На выходе — готовая речь: документация Mistral упоминает WAV с частотой 24 кГц и MP3, всего модель поддерживает пять выходных аудиоформатов.

Возможности, заявленные Mistral при запуске:

• потоковая генерация с задержкой первого аудиопакета около 90 мс;
• управление интонацией через 34 тега эмоций и 2 тега темпа;
• более 35 языков и 50 диалектов;
• расширенная библиотека голосов по сравнению с предыдущей версией.

Модель заменила в линейке voxtral-mini-tts-2603. Работа с изображениями и видео не поддерживается — это узкая модель озвучки.

По данным каталога Hubris, контекстное окно модели — 4 096 токенов, лимит выхода — 3 276 токенов. Наш API принимает в одном запросе до 50 000 символов текста.

Чем Voxtral TTS 3 отличается от Voxtral Transcribe

В линейке Voxtral 3 есть похожие по названию модели, но решают они обратную задачу. Voxtral Small Transcribe 3 и Voxtral Mini Transcribe Realtime 3 распознают речь — превращают аудио в текст и размечают говорящих (диаризация). Voxtral TTS 3 работает в другую сторону: берёт текст и синтезирует из него речь.

Если вам нужно расшифровать запись, смотрите на transcribe-модели; если нужно озвучить статью, ответ бота или сценарий — это TTS.

Сколько стоит озвучка Voxtral TTS 3

В карточке модели цена указана за единицу тарификации: 1 641,08 ₽ за 1 млн символов входного текста (данные каталога на 20 октября 2026 года). Выходные токены отдельно не тарифицируются.

Ориентир по объёмам:

• 1 000 символов — около 1,64 ₽;
• 10 000 символов — около 16,41 ₽;
• 100 000 символов — около 164,11 ₽.

Стоимость запроса зависит от длины текста, который вы отправляете. Актуальную цену проверяйте в каталоге моделей: она может меняться вслед за курсом.

Как подключить Voxtral TTS 3 через API из России

Доступ идёт через единый ключ Hubris. Отдельная регистрация у Mistral и зарубежная карта не нужны: ключ создаётся в личном кабинете, оплата идёт в рублях.

Порядок:

1. Зарегистрируйтесь на hubris.pw.
2. Пополните баланс в рублях.
3. Создайте API-ключ в разделе «Ключи» личного кабинета.
4. Отправьте запрос на https://api.hubris.pw/v1/audio/speech.

Минимальный пример на curl:

curl https://api.hubris.pw/v1/audio/speech \
  -H "Authorization: Bearer sk-gw-..." \
  -H "Content-Type: application/json" \
  -d '{
    "model": "mistralai/voxtral-mini-tts-3-0",
    "input": "Привет! Это проверка синтеза речи.",
    "voice": "en_paul_neutral",
    "response_format": "mp3"
  }' \
  --output speech.mp3

Параметры запроса:

• model — mistralai/voxtral-mini-tts-3-0;
• input — текст для озвучки, до 50 000 символов;
• voice — идентификатор голоса из карточки модели; у Voxtral TTS 3 каталог публикует список, поэтому поле обязательно;
• response_format — mp3 или pcm (16-bit little-endian).

Ответ — сырые байты аудио, без JSON-обёртки. Тот же запрос можно отправить из OpenAI SDK: укажите base_url и вызовите audio.speech.create.

Голоса, эмоции и темп

Список голосов у модели большой: это идентификаторы вида voice_3150, en_paul_neutral, gb_jane_sarcasm, fr_marie_happy и другие. Полный перечень с названиями — в карточке Voxtral TTS 3 и в инструменте озвучки, где можно послушать результат без кода.

Интонацией можно управлять прямо в тексте: документация Mistral описывает 34 тега эмоций и 2 тега скорости. Клонирование голоса по аудиообразцу Mistral заявляет для своей платформы; через API Hubris озвучка идёт готовыми голосами из списка.

Что пока недоступно на старте:

• словесные инструкции по стилю доставки (instruction) не поддерживаются — их обещают в будущих релизах;
• фонетические подсказки ограничены английскими фонемами;
• настройка выразительности голоса в диапазоне 1.0–5.0 временно отключена.

Ограничения и когда модель не подойдёт

Voxtral TTS 3 — проприетарная модель. Mistral предоставляет её как API с хостингом в ЕС или для закрытого корпоративного развёртывания; открытых весов, в отличие от части прежних моделей Mistral, на старте нет.

Модель не анализирует изображения и видео и не отвечает текстом — только синтезирует речь. Контекст 4 096 токенов и лимит выхода 3 276 токенов подходят для коротких и средних фрагментов; очень длинные тексты лучше разбивать на части.

Если задача — распознавание речи, а не озвучка, выбирайте transcribe-модели семейства. Если нужен текстовый ассистент Mistral, подойдёт Mistral Medium 3.1; общие принципы работы с API разобраны в статье «API нейросетей».

Частые вопросы

Сколько стоит озвучка Voxtral TTS 3?

1 641,08 ₽ за 1 млн символов входного текста по каталогу Hubris. Это около 1,64 ₽ за 1 000 символов и около 16,41 ₽ за 10 000 символов.

Можно ли клонировать голос?

Сама модель это умеет, но через API Hubris передать свой образец голоса нельзя: доступны готовые голоса из карточки модели, их несколько десятков.

Какие голоса доступны?

Десятки предустановленных голосов с идентификаторами вида voice_3150, en_paul_neutral или gb_jane_sarcasm. Полный список — в карточке модели; поле voice обязательно в запросе.

Какие форматы аудио возвращает API?

Hubris отдаёт mp3 или pcm (16-bit little-endian). Сама модель поддерживает пять выходных форматов, но через наш API доступны эти два.

Нужен ли отдельный аккаунт Mistral?

Нет. Достаточно ключа Hubris sk-gw-...: тот же ключ работает с другими моделями каталога, а оплата идёт в рублях.

Поддерживает ли модель изображения и видео?

Нет. Через API Hubris модель принимает только текст и отдаёт речь; работа с изображениями и видео не поддерживается.