Styring af tekst og udtale
På denne side
Kurset opdateret 3. november 2026 til Voxtral TTS 3, baseret på guiden Migrate from Voxtral 2 og Mistrals sider om Text to Speech:
voxtral-mini-tts-2603, der blev afskrevet 31. oktober 2026 og udfases 30. april 2027, erstattes i eksemplerne afvoxtral-mini-tts-3-0. Voxtral 2’s foruddefinerede stemmer (gb_jane_neutral…) understøttes fortsat; Voxtral 3 tilføjer[emotion=…]- og[pace=…]-tags i teksten, indstillingenexpressiveness, brugerdefineret udtale (phoneme_hints) samt support for 35 sprog. Mistral anbefaler, at du genmåler ventetiden efter migrationen. Kilder: Migrate from Voxtral 2 · Speech generation.
Master hvad Voxtral udtaler
Voxtral genererer naturlig tale ud fra rå tekst, hvilket fungerer perfekt til standardfortællinger eller dialog. Udfordringer opstår ved elementer, der ikke er ren prosa: telefonnumre, akronymer, datoer og procenter. Din inputtekst er din eneste kontrolmekanisme – der findes ingen markup, du kan tilføje. Hvordan du skriver, dikterer det vocale output. Denne lektion dækker de teknikker, der adskiller en professionel besked fra en tilnærmelsesvis oplæsning.
Skriv tal, som de udtales
Modellen fortolker cifre inkonsekvent, hvilket gør resultaterne svære at forudsige. Reglen er enkel: I tekst beregnet til syntese skal du skrive tal præcis, som en radiovært ville læse dem op.
| Skriv | Skriv ikke | Hvorfor |
|---|---|---|
| ”two thousand twenty-six" | "2026” | Modellen kan sige “twenty twenty-six" |
| "zero one, forty-two, thirty-seven" | "01 42 37” | Telefonnummeret udtales forkert |
| ”fifteen point five percent" | "15.5%” | %-tegnet fortolkes ikke |
| ”three forty-five" | "3:45” | Tvetydigt forkortet format |
Bemærk behandlingen af telefonnumre: Kommaer er ikke dekorative. De gennemtvinger gruppering på to cifre og den staccato-rytme, mennesker naturligt bruger, når de dikterer et nummer.
Akronymer og forkortelser
Forkortelser giver lignende problemer, men med en nuance: Nogle gange ønsker du, at de udvides, andre gange bogstaveres. Et råt akronym kan udtales som et ord, hvilket skaber akavede resultater i kundevendte beskeder.
# Dårligt: modellen kan udtale "sarl" som et ord
input_bad = "Our SARL is based in Paris."
# Godt: eksplicit udtale
input_good = "Our Société à Responsabilité Limitée is based in Paris."
# Alternativ til akronymer, der skal bogstaveres
input_acronym = "Our S.A.R.L. is based in Paris."
Den tredje form er det vigtigste takeaway: Indsættelse af et punktum mellem hvert bogstav gennemtvinger bogstav-for-bogstav-oplæsning. Brug dette til reservationskoder, nummerplader eller identifikatorer, som lytteren skal notere sig.
Tegnsætning for åndedræt
Uden dedikeret markup styrer tegnsætning pauserne. Et komma skaber en kort pause (~200 ms); et punktum en mellemstor pause (~500 ms); udeladelsesprikker en lang indånding (~800 ms); og en tankestreg sætter en dramatisk pause, den slags du placerer før en afsløring.
# Tekst med kontrollerede pauser
text = (
"Ladies and gentlemen... "
"welcome to this conference. "
"Today, we will discuss — "
"a topic that will change how you work."
)
Talehastigheden kommer primært fra referencesamplet: En hurtig kildestemme giver en hurtig syntetisk stemme. Du kan dog påvirke den gennem teksten. Tilføjelse af tegnsætning sænker hastigheden og lufter indholdet ud; fjernelse af kommaer og forkortelse af sætninger øger hastigheden. For at understrege et ord skal du skrive det med STORE BOGSTAVER – „This is ABSOLUTELY essential” – så får du betoning uden at røre ved lydfilen.
Opdeling af lange tekster
Dokumentationen til Voxtral 2 anbefalede at holde sig under 300 ord pr. anmodning for bedste resultat. Dokumentationen til Voxtral TTS 3 angiver ingen hård grænse, men advarer om, at et emotion-tag placeret før en lang sætning kan afkorte lyden ved et komma. Opdeling forbliver bedste praksis.
Løsningen er at opdele i segmenter på 200–300 ord, aldrig midt i en sætning. Et klip ved en unaturlig grænse kan høres med det samme. Følgende funktion lukker kun et segment, efter et ord der slutter med et punktum.
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
Hvad du skal fjerne fra teksten
Visse tegn forstyrrer genereringen alvorligt. Emojier understøttes ikke: Modellen ignorerer dem eller fortolker dem tilfældigt. HTML-tags og Markdown oplæses som tekst, hvilket gør indhold kopieret fra CMS til volapyk. URL’er staves bogstav for bogstav, inklusive skråstreger og punktummer. Programmeringssymboler – krammer, parenteser, pile – misfortolkes. Løsningen er omformulering på naturligt sprog:
# Dårligt
input_bad = "Visit https://mistral.ai to learn more 🎉"
# Godt
input_good = "Visit mistral dot ai to learn more."
Gør det til en vane at køre alt indhold fra en database eller hjemmeside gennem en rensefunktion før API-kaldet. Det koster mindre end at lytte til timer af lyd for at spotte en glemt emoji.
Flersprogede tekster
Ét tilfælde løser sig selv: Blanding af sprog. Voxtral registrerer ændringer og tilpasser udtalen uden at kræve annotation.
mixed_text = (
"Welcome to our presentation. "
"As we say in English, the sky is the limit. "
"Willkommen bei unserer Vorstellung."
)
Kvaliteten er optimal, så længe de anvendte sprog er blandt Voxtral TTS 3’s 35 understøttede sprog. Derudover forbliver udtalen plausibel, men accenten driver, hvilket en modersmålstaler straks vil opdage.
Styring af stemmen med Voxtral TTS 3
Voxtral TTS 3 tilføjer tre kontrolmuligheder, som skrives direkte i anmodningen.
Emotions- og hastighedstags placeres i input, i klammer, før den tekst de påvirker: [emotion=calm], [emotion=happy], [pace=slow] eller [pace=fast]. De udtales ikke, gælder indtil næste tag og kan kombineres ([emotion=calm][pace=slow]). Fireogtredive emotioner er dokumenteret, fra amused til wistful. Med Voxtral 2 kom emotion via valg af stemmevariant (gb_jane_sad); disse varianter understøttes fortsat.
expressiveness, fra 1,0 til 5,0, indstiller hvor stærkt talen følger din anmodning: Højere værdier fremhæver mere emotion på bekostning af mindre lighed med originalstemmen. Start med standardværdien, øg hvis emotionen ikke trænger igennem, og sænk hvis leverancen lyder tvungen.
phoneme_hints fikser udtalen af et ord – et varemærke, et akronym – via en liste over fonemer fra et lukket sæt på 50 (et ukendt fonem returnerer en 422-fejl).
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))
To forholdsregler fra dokumentationen: Et tag placeret før en lang sætning kan afkorte lyden ved et komma – hold taggede sætninger korte – og instruktioner i naturligt sprog (instruction) er ikke tilgængelige ved lanceringen af Voxtral TTS 3.
Vigtige pointer
- Stavafklar tal og forkortelser for korrekt udtale
- Brug tegnsætning til at styre pauser (komma, punktum, udeladelsesprikker)
- Opdel lange tekster i segmenter, der slutter på hele sætninger
- Undgå emojier, HTML, URL’er og kode i inputteksten
- Voxtral TTS 3 håndterer flersproget tekst på tværs af sine 35 sprog; sproget bæres af stemmen
[emotion=…]- og[pace=…]-tags,expressivenessogphoneme_hintsstyrer stemmen i Voxtral TTS 3