Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Osvědčené postupy pro zvuk

Lekce 6 z 14 Aktualizováno 3. listopadu 2026 Vývojář
Na této stránce
  1. Kvalita vstupu určuje kvalitu výstupu
  2. Pravidlo 1: Čistý zvuk
  3. Pravidlo 2: Mluv přirozeně
  4. Pravidlo 3: Vyhni se slovům-vycpávkám
  5. Pravidlo 4: Optimální délka
  6. Trik s mezijazykovým klonováním
  7. Kontrolní seznam před nahráváním
  8. Klíčové poznatky

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 modelem voxtral-mini-tts-3-0. Předdefinované hlasy Voxtral 2 (gb_jane_neutral…) zůstávají podporovány; Voxtral 3 přidává do textu značky [emotion=…] a [pace=…], nastavení expressiveness, vlastní výslovnost (phoneme_hints) a podporu 35 jazyků. Mistral doporučuje po migraci znovu změřit latenci. Zdroje: Migrace z Voxtral 2 · Generování řeči.

Kvalita vstupu určuje kvalitu výstupu

Klonování hlasu pomocí Voxtralu je mocné, ale zcela závisí na kvalitě zvukové ukázky, kterou poskytneš. Špatný záznam vytvoří špatný syntetický hlas, bez výjimky a bez možnosti pozdější opravy. Následující čtyři pravidla lze vyjádřit jedinou větou, přesto právě ona rozhodují o tom, zda bude hlas příjemný na poslech, nebo zda ho uživatel po třiceti sekundách ztlumí.

Pravidlo 1: Čistý zvuk

Prostředí nahrávání je klíčové, protože model nedokáže rozlišit tvůj hlas od okolí: naučí se všechno. Neustálý hluk v pozadí – ventilace, hovor v otevřené kanceláři, provoz za oknem – bude zachycen a reprodukován při každé generaci, dokonce i o šest měsíců později u zcela jiného textu. Stejný problém způsobuje ozvěna: prázdná místnost s tvrdými povrchy, dlažbou nebo velkými okny vytváří echo, které model věrně zreprodukuje; upřednostni zařízenou místnost nebo alespoň minimální akustickou úpravu. I velmi tichá hudba v pozadí bude zachycena a smíchána s hlasem. Nakonec vzorek musí obsahovat pouze jednoho mluvčího: dva překrývající se hlasy vedou k nepoužitelným výsledkům.

Nemáš studio? To není překážka. Skříň plná oblečení funguje jako vynikající akustický izolátor a zastane práci drahých absorpčních panelů. Kvalitní headsetový mikrofon ve stylu podcastů bohatě stačí – rozdíl mezi ním a profesionálním mikrofonem je mnohem menší než rozdíl mezi tichou a hlučnou místností. Nahrávej se zavřenými okny a vypnutými upozorněními a zvykni si před finálním záznamem provést 5sekundový test, který si poslechneš: právě tehdy odhalíš vibrující ledničku nebo klávesnici, která je příliš blízko mikrofonu.

Pravidlo 2: Mluv přirozeně

Model zachycuje nejen tvou barvu hlasu, ale také tvůj styl mluvy, a právě zde mnoho prvních pokusů selhává. Lidé před mikrofonem spontánně začnou artikulovat jako moderátoři zpráv – a syntetický hlas zdědí tento afektovaný tón, který zní nepřirozeně již od druhé věty. Mluv tak, jak obvykle děláš, bez nucené dikce nebo změny svého běžného tempa.

Platí i opak: plochý, monotónní záznam vytvoří monotónní hlas. Přirozeně měň intonaci a udržuj stálý rytmus – ne příliš rychle, jinak model promešká nuance, a ne příliš pomalu, jinak bude hlas znít ospale. Měj na paměti, že emoce v tvém vzorku přímo ovlivňuje emoce generovaného hlasu: pokud nahráváš s nadšením, syntetický hlas bude znít nadšeně; pokud nahráváš klidně, bude znít klidně. Přizpůsob tedy náladu při nahrávání zamýšlenému použití – vypravěč audioknihy a pracovník podpory vyžadují jinou energii.

Pravidlo 3: Vyhni se slovům-vycpávkám

Slova-vycpávky, tedy filler slova, která punctuují spontánní řeč, jsou nepřítelem klonování hlasu. Vyhni se parazitním „ehm“, „no“, „takže“ a během nahrávání nekašli ani si neodkašlávej. Pokud uděláš chybu, začni znovu od začátku, místo abys opravoval uprostřed věty – fráze „promiň, začnu znovu“ zůstane ve vzorku zachována.

Důvod je prostý: model nedokáže rozlišit tvůj hlas od tvých zaváhání. Považuje je za charakteristiku tvého stylu mluvy a reprodukuje je při každé generaci. Zákazník, který uslyší svého hlasového asistenta systematicky zaváhat uprostřed věty, si nebude myslet, že jde o chybu; bude považovat službu za nedbalou.

Pravidlo 4: Optimální délka

Jak bylo zmíněno v předchozí lekci, doporučená délka je 10 až 20 sekund, ale tento rozsah si zaslouží upřesnění. Pod 5 sekund nemá model dostatek dat k zachycení variací tvého hlasu a výsledek zní obecně. Voxtral 2 odmítal vzorky delší než 30 sekund; Voxtral TTS 3 přijímá až několik minut, ale po překročení zhruba dvaceti sekund již není délka tím, co zlepšuje výsledek, ale rozmanitost řeči. Ideální bod se tedy pohybuje kolem 15 až 20 sekund pestré, přirozené řeči – na rozmanitosti záleží stejně jako na délce.

Trik s mezijazykovým klonováním

Zde je pokročilá technika, kterou objevili uživatelé Voxtralu: mezijazykové klonování ti umožňuje vytvořit zajímavé akcentové efekty. Princip spočívá v poskytnutí vzorku v jednom jazyce, řekněme francouzštině, a následném generování řeči v jiném, například angličtině. Výsledek? Syntetický hlas mluví anglicky s francouzským přízvukem původního mluvčího.

# Create a voice from a French sample
voice = client.audio.voices.create(
    name="fr-accent-voice",
    sample_audio=french_sample_b64,
    sample_filename="sample_fr.mp3",
    languages=["fr"],
    gender="female",
)

# Generate speech in English with this voice
response = client.audio.speech.complete(
    model="voxtral-mini-tts-3-0",
    input="Hello, have you tried that new coffee place on Fifth Street?",
    voice_id=voice.id,
    response_format="mp3",
)

Výsledek zní přesně jako francouzsky mluvící osoba mluvící anglicky se svým přirozeným přízvukem. Nejzřetelnější aplikací je pro značky, které chtějí udržet svou vokální identitu napříč jazyky: francouzský mluvčí společnosti si zachová svou zvukovou signaturu i v anglické verzi kampaně, místo aby byl nahrazen anonymním hlasem.

Kontrolní seznam před nahráváním

Než začneš finální nahrávání, ověř:

  • Tiché prostředí (žádný hluk v pozadí, žádná ozvěna)
  • Správně umístěný mikrofon (10–15 cm od úst)
  • Vypnutá upozornění (telefon, počítač)
  • Připravený scénář nebo alespoň téma v hlavě
  • Ověřený 5sekundový test

Klíčové poznatky

  • Čistý zvuk bez hluku v pozadí a ozvěny je nezbytný
  • Mluv přirozeně a expresivně – model zachycuje tvůj styl
  • Vyhni se slovům-vycpávkám („ehm“, „no“), protože budou reprodukovány
  • Optimální délka je 15 až 20 sekund pestré řeči
  • Mezijazykové klonování ti umožňuje zachovat přízvuk v jiném jazyce