Контрол на текста и произношението
На тази страница
Курсът е актуализиран на 3 ноември 2026 г. за Voxtral TTS 3, въз основа на ръководството Migrate from Voxtral 2 и страниците на Mistral за Text to Speech:
voxtral-mini-tts-2603, обявен за остарял на 31 октомври 2026 г. и преустановен на 30 април 2027 г., е заменен в примерите сvoxtral-mini-tts-3-0. Предварително дефинираните гласове на Voxtral 2 (gb_jane_neutral…) остават поддържани; Voxtral 3 добавя тагове[emotion=…]и[pace=…]в текста, настройкатаexpressiveness, персонализирано произношение (phoneme_hints) и 35 езика. Mistral препоръчва повторно измерване на латентността след миграцията. Източници: Migrate from Voxtral 2 · Speech generation.
Овладяване на произношението от Voxtral
Voxtral генерира естествена реч от чист текст, което работи безупречно за стандартни разкази или диалози. Предизвикателствата възникват при елементи, които не са проза: телефонни номера, акроними, дати и проценти. Вашият входен текст е единственият механизъм за контрол – няма добавена маркировка. Начинът, по който пишете, диктува звуковия изход. Този урок обхваща техниките, които разделят професионалното съобщение от приблизителното четене.
Изписване на числата така, както се произнасят
Моделът тълкува цифрите непоследователно, което прави резултатите трудно предвидими. Правилото е просто: в текста, предназначен за синтез, изписвайте числата точно така, както радиоводещ би ги прочел.
| Изпишете | Не изписвайте | Защо |
|---|---|---|
| ”two thousand twenty-six" | "2026” | Моделът може да каже “twenty twenty-six" |
| "zero one, forty-two, thirty-seven" | "01 42 37” | Телефонният номер се произнася грешно |
| ”fifteen point five percent" | "15.5%“ | Символът % не се интерпретира |
| ”three forty-five" | "3:45” | Двусмислен съкратен формат |
Обърнете внимание на обработката на телефонните номера: запетаите не са декоративни. Те налагат групиране по две цифри и стакатния ритъм, който хората естествено използват при диктуване на номер.
Акроними и съкращения
Съкращенията създават подобни проблеми, с една нюанс: понякога искате те да бъдат разгърнати, а други пъти – изговаряни буква по буква. Суровият акроним може да бъде произнесен като дума, което създава неудобни резултати в съобщения, предназначени за клиенти.
# Лошо: моделът може да произнесе "sarl" като дума
input_bad = "Our SARL is based in Paris."
# Добро: изрично произношение
input_good = "Our Société à Responsabilité Limitée is based in Paris."
# Алтернатива за акроними, четени буква по буква
input_acronym = "Our S.A.R.L. is based in Paris."
Третата форма е основният извод: поставянето на точка между всяка буква принуждава четене буква по буква. Използвайте това за кодове за резервации, регистрационни номера на автомобили или идентификатори, които слушателите трябва да запишат.
Пунктуация за дишане
Без специална маркировка, пунктуацията контролира тишината. Запетаята създава кратка пауза (~200 мс); точката – средна пауза (~500 мс); многоточието – дълго вдишване (~800 мс); а тирето задава драматична пауза, каквато поставяте преди разкриване на важна информация.
# Текст с контролирани паузи
text = (
"Ladies and gentlemen... "
"welcome to this conference. "
"Today, we will discuss — "
"a topic that will change how you work."
)
Скоростта на речта идва основно от референтния образец: бърз изходен глас води до бърз синтетичен глас. Въпреки това, можете да влияете върху нея чрез текста. Добавянето на пунктуация забавя темпото и „проветрява“ съдържанието; премахването на запетаите и съкращаването на изреченията го ускорява. За да подчертаете дума, изпишете я с ГЛАВНИ БУКВИ – “This is ABSOLUTELY essential” – и ще получите акцент, без да докосвате аудиото.
Разделяне на дълги текстове
Документацията на Voxtral 2 препоръчваше да се остава под 300 думи на заявка за най-добри резултати. Документацията на Voxtral TTS 3 не определя твърд лимит, но предупреждава, че таг за емоция, поставен преди дълго изречение, може да отреже аудиото при запетая. Разделянето остава най-добрата практика.
Решението е да разделите текста на сегменти от 200–300 думи, никога насред изречение. Рязане на неестествена граница се чува веднага. Следната функция затваря сегмент само след дума, завършваща с точка.
def split_text(text, max_words=250):
"""Splits text into segments of max_words words."""
words = text.split()
segments = []
current_segment = []
for word in words:
current_segment.append(word)
# Split at sentences (after a period)
if len(current_segment) >= max_words and word.endswith("."):
segments.append(" ".join(current_segment))
current_segment = []
if current_segment:
segments.append(" ".join(current_segment))
return segments
# Usage
long_text = "..." # Your full text
segments = split_text(long_text)
for i, segment in enumerate(segments):
print(f"Segment {i + 1}: {len(segment.split())} words")
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input=segment,
voice_id=voice_id,
response_format="wav",
)
# Save each segment
Какво да премахнете от текста
Определени символи сериозно нарушават генерирането. Емоджитата не се поддържат: моделът ги игнорира или ги интерпретира произволно. HTML таговете и Markdown се произнасят като текст, превръщайки копирано от CMS съдържание в безсмислица. URL адресите се изговарят символ по символ, включително наклонените черти и точките. Програмистките символи – къдрави скоби, квадратни скоби, стрелки – се тълкуват погрешно. Решението е преразказване на естествен език:
# Лошо
input_bad = "Visit https://mistral.ai to learn more 🎉"
# Добро
input_good = "Visit mistral dot ai to learn more."
Направете си навик да пропускате всяко съдържание от база данни или уебсайт през функция за почистване преди API повикването. Това струва по-малко от слушането на часове аудио, за да откриете забравено емоджи.
Многоезични текстове
Един случай се решава сам: смесването на езици. Voxtral открива промените и адаптира произношението, без да изисква анотации.
mixed_text = (
"Welcome to our presentation. "
"As we say in English, the sky is the limit. "
"Willkommen bei unserer Vorstellung."
)
Качеството е оптимално, стига използваните езици да са сред 35-те поддържани езика на Voxtral TTS 3. Извън това произношението остава правдоподобно, но акцентът се отклонява, което носещият езика слушател забелязва веднага.
Насочване на гласа с Voxtral TTS 3
Voxtral TTS 3 добавя три лоста за контрол, записани директно в заявката.
Тагове за емоция и темпо отиват в input, в скоби, преди текста, който засягат: [emotion=calm], [emotion=happy], [pace=slow] или [pace=fast]. Те не се изговарят, важат до следващия таг и се комбинират ([emotion=calm][pace=slow]). Документирани са тридесет и четири емоции, от amused до wistful. При Voxtral 2 емоцията идваше чрез избор на вариант на гласа (gb_jane_sad); тези варианти остават поддържани.
expressiveness, от 1.0 до 5.0, определя колко силно речта следва вашата заявка: по-високите стойности изтъкват повече емоция за сметка на намалено приличане с оригиналния глас. Започнете със стойността по подразбиране, увеличете я, ако емоцията не се предава, и намалете, ако изпълнението звучи принудено.
phoneme_hints фиксира произношението на дума – марка, акроним – чрез списък от фонеми от затворен набор от 50 (неизвестна фонема връща грешка 422).
import base64
from pathlib import Path
response = client.audio.speech.complete(
model="voxtral-mini-tts-3-0",
input="[emotion=calm][pace=slow]I like tomato soup.",
voice_id="gb_jane_neutral",
phoneme_hints={"tomato": ["t", "ə", "m", "ɑ", "t", "oʊ"]},
response_format="wav",
)
Path("soup.wav").write_bytes(base64.b64decode(response.audio_data))
Две предпазни мерки от документацията: таг, поставен преди дълго изречение, може да отреже аудиото при запетая – дръжте изреченията с тагове кратки – и инструкции в стил на естествен език (instruction) не са налични при стартирането на Voxtral TTS 3.
Ключови изводи
- Изписвайте числата и съкращенията изцяло за правилно произношение
- Използвайте пунктуация за контрол на паузите (запетая, точка, многоточие)
- Разделяйте дългите текстове на сегменти, завършващи с пълни изречения
- Избягвайте емоджита, HTML, URL адреси и код във входния текст
- Voxtral TTS 3 обработва многоезичен текст в рамките на своите 35 езика; езикът се носи от гласа
- Таговете
[emotion=…]и[pace=…],expressivenessиphoneme_hintsнасочват гласа в Voxtral TTS 3