Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Έλεγχος Κειμένου και Προφορά

Μάθημα 11 / 14 Ενημερώθηκε 3 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Κατανοώντας Τι Προφέρει Το Voxtral
  2. Γράφοντας Αριθμούς Όπως Εκφωνούνται
  3. Ακρωνύμια και Συντομογραφίες
  4. Στίξη Για Αναπνοή
  5. Διαχωρισμός Μεγάλων Κειμένων
  6. Τι Να Αφαιρέσετε Από Το Κείμενο
  7. Πολύγλωσσα Κείμενα
  8. Καθοδήγηση Της Φωνής Με Το Voxtral TTS 3
  9. Βασικά σημεία

Το μάθημα ενημερώθηκε στις 3 Νοεμβρίου 2026 για το Voxtral TTS 3, με βάση τον οδηγό Migrate from Voxtral 2 και τις σελίδες Text to Speech της Mistral: το voxtral-mini-tts-2603, που αποσύρθηκε στις 31 Οκτωβρίου 2026 και θα απενεργοποιηθεί οριστικά στις 30 Απριλίου 2027, αντικαθίσταται στα παραδείγματα από το voxtral-mini-tts-3-0. Οι προκαθορισμένες φωνές του Voxtral 2 (gb_jane_neutral…) παραμένουν υποστηριζόμενες· το Voxtral 3 προσθέτει ετικέτες [emotion=…] και [pace=…] στο κείμενο, τη ρύθμιση expressiveness, προσαρμοσμένη προφορά (phoneme_hints) και 35 γλώσσες. Η Mistral συνιστά επαναμέτρηση του λανθάνοντος χρόνου μετά τη μετάβαση. Πηγές: Migrate from Voxtral 2 · Speech generation.

Κατανοώντας Τι Προφέρει Το Voxtral

Το Voxtral παράγει φυσική ομιλία από ακατέργαστο κείμενο, κάτι που λειτουργεί άψογα για τυπικές αφηγήσεις ή διαλόγους. Οι προκλήσεις εμφανίζονται με στοιχεία που δεν ανήκουν στον πεζό λόγο: τηλεφωνικούς αριθμούς, ακρωνύμια, ημερομηνίες και ποσοστά. Το κείμενο εισόδου σας αποτελεί τον μοναδικό μηχανισμό ελέγχου· δεν υπάρχει διαθέσιμο markup για προσθήκη. Ο τρόπος που γράφετε καθορίζει το φωνητικό αποτέλεσμα. Αυτό το μάθημα καλύπτει τις τεχνικές που ξεχωρίζουν ένα επαγγελματικό μήνυμα από μια κατά προσέγγιση ανάγνωση.

Γράφοντας Αριθμούς Όπως Εκφωνούνται

Το μοντέλο ερμηνεύει τα ψηφία ασυνεπώς, καθιστώντας τα αποτελέσματα δύσκολα προβλέψιμα. Ο κανόνας είναι απλός: στο κείμενο που προορίζεται για σύνθεση, γράφετε τους αριθμούς ακριβώς όπως θα τους διάβαζε ένας ραδιοφωνικός παρουσιαστής.

ΓράψτεΜην ΓράφετεΓιατί
”two thousand twenty-six""2026”Το μοντέλο μπορεί να πει “twenty twenty-six"
"zero one, forty-two, thirty-seven""01 42 37”Λανθασμένη προφορά τηλεφωνικού αριθμού
”fifteen point five percent""15.5%“Το σύμβολο % δεν ερμηνεύεται
”three forty-five""3:45”Διφορούμενη συντομογραφημένη μορφή

Σημειώστε τον χειρισμό του τηλεφωνικού αριθμού: τα κόμματα δεν είναι διακοσμητικά. Επιβάλλουν ομαδοποίηση ανά δύο ψηφία και τον staccato ρυθμό που χρησιμοποιούν φυσικά οι άνθρωποι όταν υπαγορεύουν έναν αριθμό.

Ακρωνύμια και Συντομογραφίες

Οι συντομογραφίες παρουσιάζουν παρόμοια ζητήματα, με μια διαφορά: μερικές φορές θέλετε να αναπτυχθούν, άλλες φορές να εκφωνηθούν γράμμα-γράμμα. Ένα ακατέργαστο ακρωνύμιο μπορεί να προφερθεί ως λέξη, δημιουργώντας αμήχανα αποτελέσματα σε μηνύματα προς πελάτες.

# Κακό: το μοντέλο μπορεί να προφέρει το "sarl" ως λέξη
input_bad = "Our SARL is based in Paris."

# Καλό: ρητή προφορά
input_good = "Our Société à Responsabilité Limitée is based in Paris."

# Εναλλακτική για ακρωνύμια γράμμα-γράμμα
input_acronym = "Our S.A.R.L. is based in Paris."

Η τρίτη μορφή είναι το βασικό συμπέρασμα: η εισαγωγή τελείας μεταξύ κάθε γράμματος επιβάλλει την ανάγνωση γράμμα προς γράμμα. Χρησιμοποιήστε το για κωδικούς κρατήσεων, πινακίδες κυκλοφορίας ή αναγνωριστικά που οι ακροατές πρέπει να σημειώσουν.

Στίξη Για Αναπνοή

Χωρίς ειδικό markup, η στίξη ελέγχει τη σιωπή. Ένα κόμμα δημιουργεί μια σύντομη παύση (~200 ms)· μια τελεία, μια μεσαία παύση (~500 ms)· οι αποσιωπητικές, μια μακρά αναπνοή (~800 ms)· και η παύλα εδάφιο θέτει μια δραματική παύση, του είδους που τοποθετείτε πριν από μια αποκάλυψη.

# Κείμενο με ελεγχόμενες παύσεις
text = (
    "Ladies and gentlemen... "
    "welcome to this conference. "
    "Today, we will discuss — "
    "a topic that will change how you work."
)

Ο ρυθμός ομιλίας προέρχεται κυρίως από το δείγμα αναφοράς: μια γρήγορη φωνή προέλευσης αποδίδει μια γρήγορη συνθετική φωνή. Ωστόσο, μπορείτε να τον επηρεάσετε μέσω του κειμένου. Η προσθήκη στίξης επιβραδύνει τον ρυθμό και «αερίζει» το περιεχόμενο· η αφαίρεση κομμάτων και η συντόμευση των προτάσεων τον επιταχύνει. Για να τονίσετε μια λέξη, γράψτε την με ΚΕΦΑΛΑΙΑ—“This is ABSOLUTELY essential”—και θα λάβετε έμφαση χωρίς να αγγίξετε τον ήχο.

Διαχωρισμός Μεγάλων Κειμένων

Η τεκμηρίωση του Voxtral 2 συνιστούσε να παραμένετε κάτω από 300 λέξεις ανά αίτημα για βέλτιστα αποτελέσματα. Η τεκμηρίωση του Voxtral TTS 3 δεν ορίζει αυστηρό όριο, αλλά προειδοποιεί ότι μια ετικέτα συναισθήματος τοποθετημένη πριν από μια μεγάλη πρόταση μπορεί να προκαλέσει αποκοπή του ήχου σε ένα κόμμα. Ο διαχωρισμός παραμένει βέλτιστη πρακτική.

Η λύση είναι να χωρίσετε το κείμενο σε τμήματα 200–300 λέξεων, ποτέ στη μέση μιας πρότασης. Μια τομή σε ένα αφύσικο όριο γίνεται άμεσα αντιληπτή. Η ακόλουθη συνάρτηση κλείνει ένα τμήμα μόνο μετά από μια λέξη που τελειώνει με τελεία.

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

Τι Να Αφαιρέσετε Από Το Κείμενο

Ορισμένοι χαρακτήρες διαταράσσουν σοβαρά τη δημιουργία. Τα emoji δεν υποστηρίζονται: το μοντέλο τα αγνοεί ή τα ερμηνεύει τυχαία. Οι ετικέτες HTML και το Markdown προφέρονται ως κείμενο, μετατρέποντας περιεχόμενο αντιγραμμένο από CMS σε ακαταλαβίστικα. Τα URL εκφωνούνται χαρακτήρα προς χαρακτήρα, συμπεριλαμβανομένων των κάθετων και των τελειών. Τα σύμβολα προγραμματισμού—άγκιστρα, αγκύλες, βέλη—παρερμηνεύονται. Η λύση είναι η διατύπωση σε φυσική γλώσσα:

# Κακό
input_bad = "Visit https://mistral.ai to learn more 🎉"

# Καλό
input_good = "Visit mistral dot ai to learn more."

Κάντε συνήθεια να περνάτε οποιοδήποτε περιεχόμενο από βάση δεδομένων ή ιστότοπο μέσω μιας συνάρτησης καθαρισμού πριν την κλήση API. Κοστίζει λιγότερο από το να ακούτε ώρες ηχητικού υλικού για να εντοπίσετε ένα ξεχασμένο emoji.

Πολύγλωσσα Κείμενα

Μια περίπτωση λύνεται από μόνη της: η ανάμειξη γλωσσών. Το Voxtral εντοπίζει τις αλλαγές και προσαρμόζει την προφορά χωρίς να απαιτείται σχολιασμός.

mixed_text = (
    "Welcome to our presentation. "
    "As we say in English, the sky is the limit. "
    "Willkommen bei unserer Vorstellung."
)

Η ποιότητα είναι βέλτιστη εφόσον οι χρησιμοποιούμενες γλώσσες συγκαταλέγονται στις 35 υποστηριζόμενες γλώσσες του Voxtral TTS 3. Πέραν αυτού, η προφορά παραμένει εύλογη αλλά η προφορά (accent) αποκλίνει, κάτι που ένας ιθαγενής ομιλητής εντοπίζει άμεσα.

Καθοδήγηση Της Φωνής Με Το Voxtral TTS 3

Το Voxtral TTS 3 προσθέτει τρεις μοχλούς ελέγχου, γραμμένους απευθείας στο αίτημα.

Οι ετικέτες συναισθήματος και ρυθμού τοποθετούνται στο input, σε αγκύλες, πριν από το κείμενο που επηρεάζουν: [emotion=calm], [emotion=happy], [pace=slow] ή [pace=fast]. Δεν εκφωνούνται, ισχύουν μέχρι την επόμενη ετικέτα και συνδυάζονται ([emotion=calm][pace=slow]). Τριάντα τέσσερα συναισθήματα είναι τεκμηριωμένα, από το amused έως το wistful. Με το Voxtral 2, το συναίσθημα επιλεγόταν μέσω της παραλλαγής φωνής (gb_jane_sad)· αυτές οι παραλλαγές παραμένουν υποστηριζόμενες.

Το expressiveness, από 1.0 έως 5.0, ορίζει πόσο έντονα ακολουθεί η ομιλία το αίτημά σας: υψηλότερες τιμές αναδεικνύουν περισσότερο συναίσθημα εις βάρος της μειωμένης ομοιότητας με τη φωνή. Ξεκινήστε με την προεπιλογή, αυξήστε αν το συναίσθημα δεν αναδύεται, μειώστε αν η εκφορά ακούγεται βεβιασμένη.

Τα phoneme_hints διορθώνουν την προφορά μιας λέξης—ένα εμπορικό σήμα, ένα ακρωνύμιο—μέσω μιας λίστας φωνημάτων από ένα κλειστό σύνολο 50 (ένα άγνωστο φώνημα επιστρέφει σφάλμα 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))

Δύο προφυλάξεις από την τεκμηρίωση: μια ετικέτα τοποθετημένη πριν από μια μεγάλη πρόταση μπορεί να προκαλέσει αποκοπή του ήχου σε ένα κόμμα—κρατήστε τις επισημασμένες προτάσεις σύντομες—και οι οδηγίες στυλ σε φυσική γλώσσα (instruction) δεν είναι διαθέσιμες κατά την κυκλοφορία του Voxtral TTS 3.

Βασικά σημεία

  • Αναλύστε αριθμούς και συντομογραφίες για σωστή προφορά
  • Χρησιμοποιήστε στίξη για έλεγχο παύσεων (κόμμα, τελεία, αποσιωπητικά)
  • Διαχωρίστε μεγάλα κείμενα σε τμήματα που τελειώνουν σε ολοκληρωμένες προτάσεις
  • Αποφύγετε emojis, HTML, URLs και κώδικα στο κείμενο εισόδου
  • Το Voxtral TTS 3 διαχειρίζεται πολύγλωσσο κείμενο στις 35 γλώσσες του· η γλώσσα καθορίζεται από τη φωνή
  • Οι ετικέτες [emotion=…] και [pace=…], το expressiveness και τα phoneme_hints καθοδηγούν τη φωνή στο Voxtral TTS 3