Ovládání textu a výslovnosti
Na této stránce
Kurz aktualizován 3. listopadu 2026 pro Voxtral TTS 3 na základě průvodce Migrace z Voxtral 2 a stránek Mistralu Text to Speech: model
voxtral-mini-tts-2603, zastaralý k 31. říjnu 2026 a vyřazený k 30. dubnu 2027, je v příkladech nahrazen modelemvoxtral-mini-tts-3-0. Předdefinované hlasy Voxtral 2 (gb_jane_neutral…) zůstávají podporovány; Voxtral 3 přidává do textu značky[emotion=…]a[pace=…], nastaveníexpressiveness, vlastní výslovnost (phoneme_hints) a podporu 35 jazyků. Mistral doporučuje po migraci znovu změřit latenci. Zdroje: Migrace z Voxtral 2 · Generování řeči.
Jak ovládnout, co Voxtral vysloví
Voxtral generuje přirozenou řeč ze surového textu, což perfektně funguje pro běžné vyprávění nebo dialog. Problémy nastávají u neprozaických prvků: telefonních čísel, zkratek, dat a procent. Váš vstupní text je jediným ovládacím mechanismem – neexistuje žádný markup, který byste mohli přidat. Způsob, jakým píšete, určuje výsledný zvukový výstup. Tato lekce pokrývá techniky, které oddělují profesionální sdělení od přibližného čtení.
Psaní čísel tak, jak se vyslovují
Model interpretuje číslice nekonzistentně, což činí výsledky těžko předvídatelnými. Pravidlo je jednoduché: v textu určeném k syntéze pište čísla přesně tak, jak by je četl rozhlasový moderátor.
| Pište | Nepište | Proč |
|---|---|---|
| ”two thousand twenty-six" | "2026” | Model by mohl říct „twenty twenty-six“ |
| “zero one, forty-two, thirty-seven" | "01 42 37” | Špatná výslovnost telefonního čísla |
| ”fifteen point five percent" | "15.5%“ | Symbol % není interpretován |
| ”three forty-five" | "3:45” | Nejednoznačný zkrácený formát |
Všimněte si zpracování telefonních čísel: čárky nejsou ozdobné. Vynucují seskupování po dvou číslicích a staccato rytmus, který lidé přirozeně používají při diktování čísla.
Zkratky a akronymy
Zkratky představují podobné problémy s tím rozdílem, že někdy je chcete rozepsat a jindy hláskovat. Surový akronym může být vysloven jako slovo, což vytváří nepříjemné výsledky ve zprávách určených zákazníkům.
# Špatně: model může vyslovit "sarl" jako slovo
input_bad = "Our SARL is based in Paris."
# Dobře: explicitní výslovnost
input_good = "Our Société à Responsabilité Limitée is based in Paris."
# Alternativa pro akronymy hláskované písmeno po písmenu
input_acronym = "Our S.A.R.L. is based in Paris."
Třetí forma je klíčovým poznatkem: vložení tečky mezi každé písmeno vynutí čtení písmeno po písmenu. Použijte to pro rezervační kódy, SPZ nebo identifikátory, které si posluchači potřebují zaznamenat.
Interpunkce pro nádech
Bez vyhrazeného markupu řídí ticho interpunkce. Čárka vytváří krátkou pauzu (~200 ms), tečka střední pauzu (~500 ms), tři tečky dlouhý nádech (~800 ms) a pomlčka nastavuje dramatickou pauzu, jakou umístíte před odhalení.
# Text s řízenými pauzami
text = (
"Ladies and gentlemen... "
"welcome to this conference. "
"Today, we will discuss — "
"a topic that will change how you work."
)
Rychlost řeči vychází primárně z referenční ukázky: rychlý zdrojový hlas vede k rychlému syntetickému hlasu. Můžete ji však ovlivnit prostřednictvím textu. Přidání interpunkce zpomalí tempo a provzdušní obsah; odstranění čárek a zkrácení vět tempo zrychlí. Chcete-li zdůraznit slovo, napište jej VELKÝMI PÍSMENY – „This is ABSOLUTELY essential“ – a získáte důraz bez zásahu do audia.
Rozdělování dlouhých textů
Dokumentace Voxtral 2 doporučovala pro nejlepší výsledky zůstat pod 300 slovy na požadavek. Dokumentace Voxtral TTS 3 nestanovuje žádný pevný limit, ale varuje, že značka emoce umístěná před dlouhou větou může oříznout audio u čárky. Rozdělování zůstává osvědčeným postupem.
Řešením je rozdělit text na segmenty o 200–300 slovech, nikdy uprostřed věty. Řez na nepřirozené hranici je okamžitě slyšet. Následující funkce uzavře segment až po slově končícím tečkou.
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
Co z textu odstranit
Určité znaky vážně narušují generování. Emoji nejsou podporována: model je ignoruje nebo interpretuje náhodně. HTML tagy a Markdown jsou vyslovovány jako text, což mění obsah zkopírovaný z CMS v nesmysly. URL adresy jsou hláskovány znak po znaku, včetně lomítek a teček. Programátorské symboly – složené závorky, hranaté závorky, šipky – jsou špatně interpretovány. Řešením je přeformulování do přirozeného jazyka:
# Špatně
input_bad = "Visit https://mistral.ai to learn more 🎉"
# Dobře
input_good = "Visit mistral dot ai to learn more."
Zvykněte si propouštět jakýkoli obsah z databáze nebo webu čistící funkcí před voláním API. Stojí to méně než poslouchat hodiny audia, abyste našli zapomenuté emoji.
Vícejazyčné texty
Jeden případ se řeší sám: míchání jazyků. Voxtral detekuje změny a přizpůsobí výslovnost bez nutnosti anotací.
mixed_text = (
"Welcome to our presentation. "
"As we say in English, the sky is the limit. "
"Willkommen bei unserer Vorstellung."
)
Kvalita je optimální, pokud jsou použité jazyky mezi 35 podporovanými jazyky Voxtral TTS 3. Nad rámec toho zůstává výslovnost věrohodná, ale přízvuk se posouvá, což rodilý mluvčí okamžitě pozná.
Řízení hlasu pomocí Voxtral TTS 3
Voxtral TTS 3 přidává tři páky ovládání, zapisované přímo do požadavku.
Značky emoce a tempa jdou do input, v hranatých závorkách, před text, kterého se týkají: [emotion=calm], [emotion=happy], [pace=slow] nebo [pace=fast]. Nejsou vyslovovány, platí až do další značky a lze je kombinovat ([emotion=calm][pace=slow]). Je zdokumentováno třicet čtyři emocí, od amused po wistful. U Voxtral 2 přicházela emoce prostřednictvím výběru varianty hlasu (gb_jane_sad); tyto varianty zůstávají podporovány.
expressiveness, od 1,0 do 5,0, nastavuje, jak silně řeč následuje váš požadavek: vyšší hodnoty vytáhnou více emocí na úkor menší podobnosti s původním hlasem. Začněte s výchozí hodnotou, zvyšte ji, pokud emoce neprojdou, snižte ji, pokud podání zní nuceně.
phoneme_hints opraví výslovnost slova – názvu značky, akronymu – prostřednictvím seznamu fonémů z uzavřené sady 50 (neznámý foném vrátí chybu 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))
Dvě opatření z dokumentace: značka umístěná před dlouhou větou může oříznout audio u čárky – udržujte označené věty krátké – a pokyny ve stylu přirozeného jazyka (instruction) nejsou při spuštění Voxtral TTS 3 k dispozici.
Klíčové poznatky
- Rozepisujte čísla a zkratky pro správnou výslovnost
- Používejte interpunkci k řízení pauz (čárka, tečka, tři tečky)
- Rozdělte dlouhé texty na segmenty končící celými větami
- Vyhněte se emoji, HTML, URL adresám a kódu ve vstupním textu
- Voxtral TTS 3 zpracovává vícejazyčný text ve svých 35 jazycích; jazyk je nesen hlasem
- Značky
[emotion=…]a[pace=…],expressivenessaphoneme_hintsřídí hlas ve Voxtral TTS 3