Ir al contenido principal
Español— Elegir un idioma
Menú

Control del texto y la pronunciación

Lección 11 de 14 Actualizado el 3 de noviembre de 2026 Desarrollador
En esta página
  1. Dominar lo que Voxtral pronuncia
  2. Escribir los números tal como se pronuncian
  3. Siglas y abreviaturas
  4. Puntuar para respirar
  5. Dividir textos largos
  6. Qué eliminar del texto
  7. Textos multilingües
  8. Dirigir la voz con Voxtral TTS 3
  9. Puntos clave

Curso actualizado el 3 de noviembre de 2026 para Voxtral TTS 3, basado en la guía Migrate from Voxtral 2 y en las páginas de Text to Speech de Mistral: voxtral-mini-tts-2603, obsoleto desde el 31 de octubre de 2026 y retirado el 30 de abril de 2027, se sustituye en los ejemplos por voxtral-mini-tts-3-0. Las voces predefinidas de Voxtral 2 (gb_jane_neutral…) siguen siendo compatibles; Voxtral 3 añade las etiquetas [emotion=…] y [pace=…] en el texto, el parámetro expressiveness, la pronunciación personalizada (phoneme_hints) y 35 idiomas. Mistral recomienda volver a medir la latencia tras la migración. Fuentes: Migrate from Voxtral 2 · Speech generation.

Dominar lo que Voxtral pronuncia

Voxtral genera voz natural a partir de texto sin formato, lo cual funciona a la perfección para narrativas o diálogos estándar. Los problemas surgen con elementos que no son prosa: números de teléfono, siglas, fechas y porcentajes. Tu texto de entrada es tu único mecanismo de control; no hay marcado que añadir. La forma en que escribas determina el resultado vocal. Esta lección cubre las técnicas que separan un mensaje profesional de una lectura aproximada.

Escribir los números tal como se pronuncian

El modelo interpreta los dígitos de forma inconsistente, lo que hace impredecibles los resultados. La regla es simple: en el texto destinado a síntesis, escribe los números exactamente como los leería un locutor de radio.

EscribeNo escribasPor qué
”two thousand twenty-six""2026”El modelo podría decir “twenty twenty-six"
"zero one, forty-two, thirty-seven""01 42 37”Número de teléfono mal pronunciado
”fifteen point five percent""15.5%“El símbolo % no se interpreta
”three forty-five""3:45”Formato abreviado ambiguo

Observa el tratamiento del número de teléfono: las comas no son decorativas. Imponen un agrupamiento de dos dígitos y el ritmo staccato que los humanos usan naturalmente al dictar un número.

Siglas y abreviaturas

Las abreviaturas plantean problemas similares, con un matiz: a veces querrás que se expandan y otras que se deletreen. Una sigla en bruto puede pronunciarse como una palabra, creando resultados incómodos en mensajes dirigidos al cliente.

# Malo: el modelo podría pronunciar "sarl" como una palabra
input_bad = "Our SARL is based in Paris."

# Bueno: pronunciación explícita
input_good = "Our Société à Responsabilité Limitée is based in Paris."

# Alternativa para siglas letra por letra
input_acronym = "Our S.A.R.L. is based in Paris."

La tercera forma es la clave: insertar un punto entre cada letra fuerza la lectura letra por letra. Úsala para códigos de reserva, matrículas o identificadores que el oyente necesite anotar.

Puntuar para respirar

Sin un marcado dedicado, la puntuación controla el silencio. Una coma crea una pausa corta (~200 ms); un punto, una pausa media (~500 ms); los puntos suspensivos, una respiración larga (~800 ms); y la raya de diálogo establece una pausa dramática, del tipo que se hace antes de una revelación.

# Texto con pausas controladas
text = (
    "Ladies and gentlemen... "
    "welcome to this conference. "
    "Today, we will discuss — "
    "a topic that will change how you work."
)

La velocidad del habla depende principalmente de la muestra de referencia: una voz de origen rápida produce una voz sintética rápida. Sin embargo, puedes influir en ella mediante el texto. Añadir puntuación ralentiza la velocidad y airea el contenido; eliminar comas y acortar frases la acelera. Para enfatizar una palabra, escríbela en MAYÚSCULAS —«This is ABSOLUTELY essential»— y obtendrás énfasis sin tocar el audio.

Dividir textos largos

La documentación de Voxtral 2 recomendaba mantenerse por debajo de 300 palabras por solicitud para obtener los mejores resultados. La documentación de Voxtral TTS 3 no establece un límite estricto, pero advierte de que una etiqueta de emoción colocada antes de una frase larga puede truncar el audio en una coma. Seguir dividiendo el texto sigue siendo una buena práctica.

La solución consiste en dividir el texto en segmentos de 200–300 palabras, nunca a mitad de frase. Un corte en un límite antinatural se percibe inmediatamente. La siguiente función solo cierra un segmento después de una palabra que termine en punto.

def split_text(text, max_words=250):
    """Divide el texto en segmentos de max_words palabras."""
    words = text.split()
    segments = []
    current_segment = []

    for word in words:
        current_segment.append(word)
        # Dividir en frases (después de un punto)
        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

# Uso
long_text = "..."  # Tu texto completo
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",
    )
    # Guardar cada segmento

Qué eliminar del texto

Ciertos caracteres interrumpen gravemente la generación. Los emojis no son compatibles: el modelo los ignora o los interpreta al azar. Las etiquetas HTML y el Markdown se pronuncian como texto, convirtiendo el contenido copiado de un CMS en galimatías. Las URL se deletrean carácter por carácter, incluidas las barras y los puntos. Los símbolos de programación —llaves, corchetes, flechas— se interpretan mal. La solución es reformular en lenguaje natural:

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

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

Haz el hábito de pasar cualquier contenido procedente de una base de datos o sitio web por una función de limpieza antes de llamar a la API. Cuesta menos que escuchar horas de audio para detectar un emoji olvidado.

Textos multilingües

Un caso se resuelve solo: la mezcla de idiomas. Voxtral detecta los cambios y adapta la pronunciación sin necesidad de anotación.

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

La calidad es óptima siempre que los idiomas utilizados estén entre los 35 soportados por Voxtral TTS 3. Más allá de eso, la pronunciación sigue siendo plausible, pero el acento se desvía, algo que un oyente nativo detecta de inmediato.

Dirigir la voz con Voxtral TTS 3

Voxtral TTS 3 añade tres palancas de control, escritas directamente en la solicitud.

Las etiquetas de emoción y ritmo van en input, entre corchetes, antes del texto al que afectan: [emotion=calm], [emotion=happy], [pace=slow] o [pace=fast]. No se pronuncian, se aplican hasta la siguiente etiqueta y se pueden combinar ([emotion=calm][pace=slow]). Hay documentadas treinta y cuatro emociones, desde amused hasta wistful. Con Voxtral 2, la emoción se seleccionaba mediante la variante de voz (gb_jane_sad); estas variantes siguen siendo compatibles.

expressiveness, de 1,0 a 5,0, define con qué fuerza sigue el habla tu solicitud: valores más altos realzan más la emoción a costa de reducir la semejanza con la voz original. Empieza con el valor por defecto, auméntalo si la emoción no se percibe y redúcelo si la locución suena forzada.

phoneme_hints corrige la pronunciación de una palabra —un nombre de marca, una sigla— mediante una lista de fonemas de un conjunto cerrado de 50 (un fonema desconocido devuelve un error 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))

Dos precauciones extraídas de la documentación: una etiqueta colocada antes de una frase larga puede truncar el audio en una coma —mantén las frases etiquetadas cortas— y las instrucciones de estilo en lenguaje natural (instruction) no están disponibles en el lanzamiento de Voxtral TTS 3.

Puntos clave

  • Deletrea números y abreviaturas para una pronunciación correcta
  • Usa la puntuación para controlar las pausas (coma, punto, puntos suspensivos)
  • Divide los textos largos en segmentos que terminen en frases completas
  • Evita emojis, HTML, URL y código en el texto de entrada
  • Voxtral TTS 3 gestiona texto multilingüe en sus 35 idiomas; el idioma lo porta la voz
  • Las etiquetas [emotion=…] y [pace=…], expressiveness y phoneme_hints dirigen la voz en Voxtral TTS 3