Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Textsteuerung und Aussprache

Lektion 11 von 14 Aktualisiert am 3. November 2026 Entwickler
Auf dieser Seite
  1. Beherrschung dessen, was Voxtral ausspricht
  2. Zahlen so schreiben, wie sie gesprochen werden
  3. Akronyme und Abkürzungen
  4. Satzzeichen für Pausen nutzen
  5. Aufteilen langer Texte
  6. Was aus dem Text entfernt werden muss
  7. Mehrsprachige Texte
  8. Steuerung der Stimme mit Voxtral TTS 3
  9. Kernaussagen

Kurs aktualisiert am 3. November 2026 für Voxtral TTS 3, basierend auf dem Leitfaden Migrate from Voxtral 2 und den Seiten von Mistral zu Text to Speech: voxtral-mini-tts-2603, am 31. Oktober 2026 deprecated und am 30. April 2027 eingestellt, wird in Beispielen durch voxtral-mini-tts-3-0 ersetzt. Die vordefinierten Stimmen von Voxtral 2 (gb_jane_neutral …) bleiben unterstützt; Voxtral 3 fügt Tags [emotion=…] und [pace=…] im Text, die Einstellung expressiveness, die Anpassung der Aussprache (phoneme_hints) und 35 Sprachen hinzu. Mistral empfiehlt, die Latenz nach der Migration erneut zu messen. Quellen: Migrate from Voxtral 2 · Speech generation.

Beherrschung dessen, was Voxtral ausspricht

Voxtral erzeugt natürliche Sprache aus rohem Text, was für Standardnarrative oder Dialoge perfekt funktioniert. Herausforderungen ergeben sich bei nicht-prosaartigen Elementen: Telefonnummern, Akronyme, Daten und Prozentsätze. Ihr Eingabetext ist der einzige Steuerungsmechanismus – es gibt keine Markup-Markierung zum Hinzufügen. Wie Sie schreiben, bestimmt den vokalen Output. Diese Lektion behandelt die Techniken, die eine professionelle Nachricht von einer ungenauen Wiedergabe unterscheiden.

Zahlen so schreiben, wie sie gesprochen werden

Das Modell interpretiert Ziffern inkonsistent, was die Ergebnisse schwer vorhersagbar macht. Die Regel ist einfach: Schreiben Sie Zahlen in Texten, die zur Synthese bestimmt sind, genau so aus, wie ein Radiomoderator sie vorlesen würde.

Schreiben SieSchreiben Sie nichtWarum
”zweitausendsechsundzwanzig""2026”Das Modell könnte “zwanzig zweiundzwanzig” sagen
”null eins, vierundzwanzig, siebenunddreißig""01 42 37”Telefonnummern werden falsch ausgesprochen
”fünfzehn Punkt fünf Prozent""15.5%“Das %-Symbol wird nicht interpretiert
”drei vierundfünfzig""3:45”Zweideutiges abgekürztes Format

Beachten Sie die Behandlung von Telefonnummern: Kommas sind keine Dekoration. Sie erzwingen eine Gruppierung in zwei Ziffern und das stakkatoartige Rhythmus, den Menschen natürlich verwenden, wenn sie eine Zahl diktierten.

Akronyme und Abkürzungen

Abkürzungen stellen ähnliche Probleme dar, mit einer Nuance: Manchmal möchten Sie sie ausgeschrieben haben, manchmal Buchstabe für Buchstabe. Ein rohes Akronym kann als Wort ausgesprochen werden, was in kundenorientierten Nachrichten zu unangenehmen Ergebnissen führt.

# Schlecht: Das Modell könnte "sarl" als Wort aussprechen
input_bad = "Unsere SARL hat ihren Sitz in Paris."

# Gut: Explizite Aussprache
input_good = "Unsere Société à Responsabilité Limitée hat ihren Sitz in Paris."

# Alternative für Akronyme Buchstabe für Buchstabe
input_acronym = "Unsere S.A.R.L. hat ihren Sitz in Paris."

Die dritte Form ist die wichtigste Erkenntnis: Das Einfügen eines Punktes zwischen jedem Buchstaben erzwingt das Buchstabe-für-Buchstabe-Lesen. Verwenden Sie dies für Reservierungsnummern, Kfz-Kennzeichen oder Identifikatoren, die Zuhörer notieren müssen.

Satzzeichen für Pausen nutzen

Ohne dedizierte Markup steuern Satzzeichen die Stille. Ein Komma erzeugt eine kurze Pause (~200 ms); ein Punkt eine mittlere Pause (~500 ms); drei Punkte (Ellipsen) eine lange Ausatmung (~800 ms); und ein Gedankenstrich setzt eine dramatische Pause, die Art, die man vor einer Enthüllung platziert.

# Text mit kontrollierten Pausen
text = (
    "Liebe Damen und Herren... "
    "willkommen zu dieser Konferenz. "
    "Heute werden wir diskutieren — "
    "ein Thema, das Ihre Arbeitsweise verändern wird."
)

Die Sprechgeschwindigkeit ergibt sich primär aus dem Referenzsample: Eine schnelle Quellstimme ergibt eine schnelle synthetische Stimme. Sie können sie jedoch über den Text beeinflussen. Das Hinzufügen von Satzzeichen verlangsamt die Geschwindigkeit und lässt den Inhalt „atmen”; das Entfernen von Kommas und das Verkürzen von Sätzen beschleunigt ihn. Um ein Wort zu betonen, schreiben Sie es in Großbuchstaben – „Das ist ABSOLUT essentiell” – und Sie erhalten Betonung, ohne das Audio zu berühren.

Aufteilen langer Texte

Die Dokumentation von Voxtral 2 empfahl, pro Anfrage unter 300 Wörter zu bleiben, um die besten Ergebnisse zu erzielen. Die Dokumentation von Voxtral TTS 3 setzt keine harte Grenze, warnt jedoch davor, dass ein Emotionstag vor einem langen Satz das Audio an einem Komma abschneiden kann. Das Aufteilen bleibt Best Practice.

Die Lösung besteht darin, in Segmente von 200–300 Wörtern zu teilen, niemals mitten in einem Satz. Ein Schnitt an einer unnatürlichen Grenze ist sofort hörbar. Die folgende Funktion schließt ein Segment erst nach einem Wort ab, das mit einem Punkt endet.

def split_text(text, max_words=250):
    """Teilt Text in Segmente von maximal max_words Wörtern auf."""
    words = text.split()
    segments = []
    current_segment = []

    for word in words:
        current_segment.append(word)
        # Trennung an Sätzen (nach einem Punkt)
        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

# Verwendung
lang_text = "..."  # Ihr vollständiger Text
segments = split_text(lang_text)

for i, segment in enumerate(segments):
    print(f"Segment {i + 1}: {len(segment.split())} Wörter")
    response = client.audio.speech.complete(
        model="voxtral-mini-tts-3-0",
        input=segment,
        voice_id=voice_id,
        response_format="wav",
    )
    # Speichern Sie jedes Segment

Was aus dem Text entfernt werden muss

Bestimmte Zeichen stören die Generierung schwer. Emojis werden nicht unterstützt: Das Modell ignoriert sie oder interpretiert sie zufällig. HTML-Tags und Markdown werden als Text ausgesprochen, wodurch CMS-kopierter Inhalt in Unsinn verwandelt wird. URLs werden Buchstabe für Buchstabe geschrieben, einschließlich Schrägstrichen und Punkten. Programmiersymbolik – geschweifte Klammern, eckige Klammern, Pfeile – wird falsch interpretiert. Die Lösung ist die Umformulierung in natürliche Sprache:

# Schlecht
input_bad = "Besuchen Sie https://mistral.ai um mehr zu erfahren 🎉"

# Gut
input_good = "Besuchen Sie mistral dot ai, um mehr zu erfahren."

Machen Sie es zur Gewohnheit, jeden Inhalt aus einer Datenbank oder einer Website vor dem API-Aufruf durch eine Bereinigungsfunktion zu leiten. Es kostet weniger als stundenlanges Audio abzuspielen, um ein vergessenes Emoji zu finden.

Mehrsprachige Texte

Ein Fall löst sich von selbst: das Mischen von Sprachen. Voxtral erkennt Änderungen und passt die Aussprache an, ohne dass eine Annotation erforderlich ist.

mixed_text = (
    "Willkommen bei unserer Präsentation. "
    "Wie wir auf Englisch sagen, ist der Himmel die Grenze. "
    "Willkommen bei unserer Vorstellung."
)

Die Qualität ist optimal, solange die verwendeten Sprachen zu den 35 unterstützten Sprachen von Voxtral TTS 3 gehören. Darüber hinaus bleibt die Aussprache plausibel, aber der Akzent driftet ab, was ein muttersprachlicher Zuhörer sofort erkennt.

Steuerung der Stimme mit Voxtral TTS 3

Voxtral TTS 3 fügt drei Steuerhebel hinzu, die direkt in der Anfrage geschrieben werden.

Emotions- und Geschwindigkeits-Tags werden in input in eckigen Klammern vor den Text platziert, den sie beeinflussen: [emotion=calm], [emotion=happy], [pace=slow] oder [pace=fast]. Sie werden nicht gesprochen, gelten bis zum nächsten Tag und können kombiniert werden ([emotion=calm][pace=slow]). 34 Emotionen sind dokumentiert, von amused bis wistful. Bei Voxtral 2 kam Emotion über die Auswahl der Stimmenvariante (gb_jane_sad); diese Varianten bleiben unterstützt.

expressiveness, von 1,0 bis 5,0, legt fest, wie stark die Sprache Ihrer Anfrage folgt: Höhere Werte bringen mehr Emotion zum Ausdruck, zum Preis einer reduzierten Ähnlichkeit der Stimme. Beginnen Sie mit dem Standardwert, erhöhen Sie ihn, wenn Emotion nicht durchkommt, und verringern Sie ihn, wenn die Darbietung erzwungen klingt.

phoneme_hints korrigiert die Aussprache eines Wortes – einer Markenbezeichnung, eines Akronyms – über eine Liste von Phonemen aus einem geschlossenen Satz von 50 (ein unbekanntes Phonem führt zu einem 422-Fehler).

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))

Zwei Vorsichtsmaßnahmen aus der Dokumentation: Ein Tag vor einem langen Satz kann das Audio an einem Komma abschneiden – halten Sie getaggte Sätze kurz – und Sprachstil-Anweisungen (instruction) sind bei der Veröffentlichung von Voxtral TTS 3 nicht verfügbar.

Kernaussagen

  • Zahlen und Akronyme ausschreiben, um die korrekte Aussprache zu gewährleisten
  • Satzzeichen nutzen, um Pausen zu steuern (Komma, Punkt, Ellipsen)
  • Lange Texte in Segmente aufteilen, die mit vollständigen Sätzen enden
  • Emojis, HTML, URLs und Code im Eingabetext vermeiden
  • Voxtral TTS 3 verarbeitet mehrsprachigen Text über seine 35 Sprachen; die Sprache wird durch die Stimme getragen
  • Tags [emotion=…] und [pace=…], expressiveness und phoneme_hints steuern die Stimme in Voxtral TTS 3