Bedste praksis for lyd
På denne side
Kurset opdateret den 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, som blev afskrevet den 31. oktober 2026 og udfases den 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) og 35 sprog. Mistral anbefaler at genmåle ventetiden efter migrationen. Kilder: Migrate from Voxtral 2 · Speech generation.
Inputkvalitet bestemmer outputkvalitet
Voxtrals stemmekloning er kraftfuld, men den er fuldstændig afhængig af kvaliteten af den lydfil, du leverer. En dårlig optagelse vil producere en dårlig syntetisk stemme – uden undtagelse og uden mulighed for at rette det bagefter. De følgende fire regler kan hver især formuleres i én enkelt sætning, men det er netop dem, der adskiller en stemme, folk gerne vil lytte til, fra en, de slukker efter tredive sekunder.
Regel 1: Ren lyd
Optagelsesmiljøet er afgørende, fordi modellen ikke kan skelne din stemme fra omgivelserne: den lærer alt. Konstant baggrundsstøj – ventilation, snak i et åbent kontorlandskab, trafik bag et vindue – vil blive fanget og gengivet i hver eneste generering, selv seks måneder senere på helt ubeslægtet tekst. Ekkoeffekter skaber det samme problem: et tomt rum med hårde overflader, fliser eller store vinduer skaber en ekko, som modellen trofast vil gengive; foretræk derfor et møbleret rum eller minimal akustisk behandling. Selv meget svag baggrundsmusik vil blive plukket op og blandet med stemmen. Endelig skal prøven kun indeholde én taler: to overlappende stemmer giver ubrugelige resultater.
Har du ikke et studie? Det er ikke afgørende. Et skab fyldt med tøj fungerer som en fremragende akustisk isolator og gør samme nytte som dyre absorptionspaneler. Et headset-mikrofon i god podcast-kvalitet er mere end rigeligt – kløften mellem det og en professionel mikrofon er langt mindre end kløften mellem et stille rum og et støjende et. Optag med lukkede vinduer og slåede notifikationer fra, og gør det til en vane at køre en 5-sekunders test, som du lytter til før den endelige optagelse: det er her, du opdager det vibrerende køleskab eller tastaturet, der sidder for tæt på mikrofonen.
Regel 2: Tal naturligt
Modellen fanger ikke kun din klangfarve, men også din talestil, og det er her, mange første forsøg fejler. Når folk sættes foran en mikrofon, begynder de spontant at artikulere som en nyhedsoplæser – og den syntetiske stemme arver den affekterede tone, som lyder falsk allerede i anden sætning. Tal, som du normalt gør, uden at presse din diktion eller ændre dit sædvanlige tempo.
Det modsatte gælder også: en flad, monoton optagelse vil producere en monoton stemme. Variér din intonation naturligt og hold en støt rytme – ikke for hurtigt, så modellen misser nuancer, og ikke for langsomt, så du ender med en søvnig lydende stemme. Husk på, at følelsen i din prøve direkte påvirker følelsen i den genererede stemme: hvis du optager med entusiasme, vil den syntetiske stemme lyde entusiastisk; hvis du optager roligt, vil den lyde rolig. Vælg derfor din optagelsesstemning ud fra det tiltænkte brug – en lydbogsoplæser og en supportmedarbejder kræver ikke samme energi.
Regel 3: Undgå fyldord
Fyldord, de pladsholdere der punctuerer spontan tale, er fjenden ved stemmekloning. Undgå parasitiske “øh”, “äh”, “altså” og “så”, og host eller røm dig ikke under optagelsen. Hvis du laver en fejl, så start forfra i stedet for at rette midt i strømmen – et “undskyld, lad mig starte om” vil blive bevaret i prøven.
Årsagen er simpel: modellen kan ikke se forskel på din stemme og dine tøven. Den behandler dem som en karakteristik af din talestil og gengiver dem i hver eneste generering. En kunde, der hører deres stemmeassistent systematisk tøve midt i en sætning, vil ikke tro, det er en fejl; de vil tro, tjenesten er sjusket.
Regel 4: Optimal varighed
Som dækket i den forrige lektion er den anbefalede varighed 10 til 20 sekunder, men det interval fortjener nuancering. Under 5 sekunder har modellen ikke nok data til at fange dine stemmevariationer, og resultatet lyder generisk. Voxtral 2 afviste prøver længere end 30 sekunder; Voxtral TTS 3 accepterer op til flere minutter, men ud over cirka tyve sekunder er det variationen i talen snarere end længden, der forbedrer resultatet. Det gyldne middelmål er derfor omkring 15 til 20 sekunder med varieret, naturlig tale – variation tæller lige så meget som længde.
Det sproglige trick
Her er en avanceret teknik opdaget af Voxtral-brugere: sproglig kloning på tværs af sprog lader dig skabe interessante accenteffekter. Princippet er at levere en prøve på ét sprog, f.eks. fransk, og derefter generere tale på et andet, f.eks. engelsk. Resultatet? Den syntetiske stemme taler engelsk med den oprindelige talers franske accent.
# 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",
)
Resultatet lyder præcis som den franske taler, der taler engelsk, med deres naturlige accent. Den mest åbenlyse anvendelse er for brands, der ønsker at bevare deres vokale identitet på tværs af sprog: en fransk virksomhedstalsperson beholder deres soniske signatur på den engelske version af en kampagne i stedet for at blive erstattet af en anonym stemme.
Tjekliste før optagelse
Før du starter din endelige optagelse, så verificér:
- Stille miljø (ingen baggrundsstøj, intet ekko)
- Mikrofonen placeret korrekt (10–15 cm fra munden)
- Notifikationer slået fra (telefon, computer)
- Manuskript forberedt eller emne i tankerne
- 5-sekunders test valideret
Vigtige pointer
- Ren lyd uden baggrundsstøj eller ekko er afgørende
- Tal naturligt og udtryksfuldt – modellen fanger din stil
- Undgå fyldord (“øh”, “äh”), da de vil blive gengivet
- Optimal varighed er 15 til 20 sekunder med varieret tale
- Sproglig kloning på tværs af sprog lader dig bevare en accent på et andet sprog