For the complete documentation index, see llms.txt. This page is also available as Markdown.

Voxtral TTS

Mistral 的开源权重文本转语音模型:40 亿参数、9 种语言、零样本声音克隆,仅需 3 GB 显存。

规格
数值

开发者

Mistral AI

参数

40 亿

架构

仅解码器 TTS

语言

9(英语、法语、德语、西班牙语、印地语、阿拉伯语、葡萄牙语、意大利语、日语)

许可证

Apache 2.0(开放权重)

显存

约 3 GB(FP16)

延迟

10 秒输出仅需 70 毫秒

声音克隆

基于 3 秒参考音频的零样本克隆

发布

2026 年 3 月 26 日

为什么选择 Voxtral TTS?

Voxtral TTS 是 Mistral 对 ElevenLabs 和 OpenAI TTS 的开源权重答案。对 Clore.ai 用户的主要优势:

  • 可在任何 GPU 上运行 —— 仅需 3 GB 显存,甚至 RTX 3060 也能完美运行

  • 没有 API 费用 —— 自托管 = 零边际成本、无限合成

  • 数据隐私 —— 音频绝不会离开你的机器

  • 零样本克隆 —— 仅用 3 秒参考音频即可克隆任何声音

  • 原生支持 9 种语言 —— 包括印地语和阿拉伯语,而这些常常是竞争对手缺失的

  • 实时速度 —— 在 RTX 4070+ 上 RTF 为 0.1–0.2×(10 秒片段仅需 1–2 秒)

Clore.ai 上的 GPU 要求

GPU
显存
性能
Clore.ai 价格

RTX 3060 12GB

12 GB

✅ 良好 — 3–4× 实时

低至 $0.10/天

RTX 3090 24GB

24 GB

✅ 很棒 — 批处理

低至 $0.30/天

RTX 4070 12GB

12 GB

✅ 优秀 — 5–10× 实时

低至 $0.25/天

RTX 4090 24GB

24 GB

✅ 过剩 — 亚秒级延迟

低至 $0.50/天

推荐: RTX 3060 12GB(Clore.ai 上 $0.10/天)是大多数使用场景的最佳选择。Voxtral 只需要 3 GB 显存,因此你可以把它和其他模型一起运行。

在 Clore.ai 上快速上手

步骤 1:租用 GPU 服务器

  1. 筛选任何 8GB 以上显存的 GPU

  2. 选择一个 Docker 部署

  3. 使用镜像: pytorch/pytorch:2.4.0-cuda12.4-cudnn9-devel

步骤 2:安装依赖

步骤 3:基础文本转语音

步骤 4:零样本声音克隆

步骤 5:多语言合成

生产级 API 服务器

将 Voxtral 部署为 REST API,以集成到你的应用中:

Docker 部署

Voxtral 与其他 TTS 模型对比

功能
Voxtral TTS
ElevenLabs
Qwen3-TTS
Kokoro TTS
Fish Speech

开放权重

✅ Apache 2.0

❌ 仅限 API

显存

3 GB

不适用(云端)

8 GB

2 GB

4 GB

语言

9

30+

50+

5

8

声音克隆

3 秒参考

1 秒参考

5 秒参考

10 秒参考

延迟

70 毫秒

约 200 毫秒

约 150 毫秒

50 毫秒

100 毫秒

质量

⭐⭐⭐⭐⭐

⭐⭐⭐⭐⭐

⭐⭐⭐⭐

⭐⭐⭐⭐

⭐⭐⭐⭐

自托管

大型项目的批处理

用于实时应用的流式模式

故障排除

问题
解决方案

小型 GPU 上出现 OOM

使用 model.half() 进行 FP16(显存减半至约 1.5 GB)

首次推理较慢

正常——模型在首次运行时会编译 CUDA 内核(约 30 秒)

语言 X 的质量较差

确保正确的 language 参数;某些语言需要更长的参考音频

音频伪影

增加 reference_audio 长度到 5–10 秒,以获得更好的声音克隆效果

模型下载失败

设置 HF_TOKEN 环境变量,以访问受限模型

成本分析:Clore.ai 上的 Voxtral vs 云端 TTS

服务
每月 100 万字符
说明

ElevenLabs Pro

$99/月

包含 50 万字符,超额需付费

OpenAI TTS

$15/月

每 100 万字符 $15

Google Cloud TTS

$16/月

标准语音

Clore.ai 上的 Voxtral

$3–15/月

RTX 3060,$0.10–0.50/天,无限字符

结论: 在 Clore.ai 上自托管 Voxtral,比云端 TTS API 便宜 6–30 倍,而且没有字符限制,数据隐私也完全可控。

延伸阅读


最后更新:2026 年 3 月 30 日

最后更新于

这有帮助吗?