Juhtimine ja hääldus
Sellel lehel
Kursust uuendati 3. novembril 2026 Voxtral TTS 3 jaoks, tuginedes juhendile Migrate from Voxtral 2 ja Mistrali lehele Text to Speech:
voxtral-mini-tts-2603, mis tunnistati 31. oktoobril 2026 iganenuks ja eemaldatakse kasutusest 30. aprillil 2027, asendatakse näidetes mudeligavoxtral-mini-tts-3-0. Voxtral 2 eelmääratud hääled (gb_jane_neutral…) jäävad toetuks; Voxtral 3 lisab teksti sisse sildid[emotion=…]ja[pace=…], seadeexpressiveness, kohandatud häälduse (phoneme_hints) ning toetab 35 keelt. Mistral soovitab pärast üleminekut latentsusaeg uuesti mõõta. Allikad: Migrate from Voxtral 2 · Kõne genereerimine.
Voxtrali häälduse täiuslik valdamine
Voxtral genereerib loomuliku kõne toortekstist, mis toimib suurepäraselt tavaliste jutustuste või dialoogide puhul. Probleemid tekivad mitteproosailike elementidega: telefoninumbrid, lühendid, kuupäevad ja protsendid. Sinu sisendtekst on ainus juhtimismehhanism – lisada ei saa mingit märgistust. See, kuidas sa kirjutad, määrab heliväljundi. See tund käsitleb tehnikaid, mis eristavad professionaalset sõnumit ligikaudsest ettelugemisest.
Arvude kirjutamine nii, nagu neid hääldatakse
Mudel tõlgendab numbreid ebajärjekindlalt, mistõttu on tulemusi raske ennustada. Reegel on lihtne: sünteesiks mõeldud tekstis kirjuta arvud täpselt nii, nagu raadioesitaja neid ette loeks.
| Kirjuta | Ära kirjuta | Miks |
|---|---|---|
| ”two thousand twenty-six" | "2026” | Mudel võib öelda “twenty twenty-six" |
| "zero one, forty-two, thirty-seven" | "01 42 37” | Telefoninumber hääldatakse valesti |
| ”fifteen point five percent" | "15.5%“ | Protsendimärki ei tõlgendata |
| ”three forty-five" | "3:45” | Mitmetähenduslik lühivorm |
Pööra tähelepanu telefoninumbrite käsitlemisele: komad ei ole dekoratiivsed. Need sunnivad rühmitama numbreid kahekaupa ja looma staccato-rütmi, mida inimesed numbrite dikteerimisel loomulikult kasutavad.
Lühendid ja akronüümid
Lühendid tekitavad sarnaseid probleeme, kuid nüansiga: mõnikord soovid, et need lahti kirjutataks, teinekord tähestikuna ette loetaks. Toores akronüüm võib hääldada sõnana, mis tekitab kliendisuhtluses kohatuid tulemusi.
# Halb: mudel võib hääldada "sarl" sõnana
input_bad = "Our SARL is based in Paris."
# Hea: selge hääldus
input_good = "Our Société à Responsabilité Limitée is based in Paris."
# Alternatiiv tähehaaval loetavatele akronüümidele
input_acronym = "Our S.A.R.L. is based in Paris."
Kolmas vorm on peamine õppetund: punkti lisamine iga tähe vahele sunnib mudelit lugema tähehaaval. Kasuta seda broneeringukoodide, registreerimisnumbrite või identifikaatorite puhul, mida kuulaja peab üles kirjutama.
Hingamise jaoks kirjavahemärkide kasutamine
Ilma spetsiaalse märgistuseta kontrollib kirjavahemärk vaigust. Koma tekitab lühikese pausi (~200 ms); punkt keskmise pausi (~500 ms); kolm punkti pika hingeõhu (~800 ms); ja mõttekriips seab dramaatilise pausi, sellise, mida teed enne paljastust.
# Tekst kontrollitud pausidega
text = (
"Ladies and gentlemen... "
"welcome to this conference. "
"Today, we will discuss — "
"a topic that will change how you work."
)
Kõnekiirus tuleneb peamiselt võrdlusnäidisest: kiire algne hääl annab kiire sünteetilise hääle. Siiski saad seda teksti kaudu mõjutada. Kirjavahemärkide lisamine aeglustab tempot ja õhustab sisu; komade eemaldamine ja lausete lühendamine kiirendab seda. Sõna rõhutamiseks kirjuta see SUURTÄHTEDES – „This is ABSOLUTELY essential“ – ja saad rõhuasetuse ilma helifaile puutumata.
Pikkade tekstide tükeldamine
Voxtral 2 dokumentatsioon soovitas parimate tulemuste saavutamiseks jääda taotluse kohta alla 300 sõna. Voxtral TTS 3 dokumentatsioon ei sätesta ranget piiri, kuid hoiatab, et emotsioonisilt pika lause ees võib katkestada heli komakohal. Tükeldamine jääb parimaks praktikaks.
Lahenduseks on jagada tekst 200–300 sõna suurusteks segmentideks, mitte kunagi keset lauset. Lõige ebaloomulikus kohas on kohe kuulda. Järgnev funktsioon lõpetab segmendi alles pärast punktiga lõppevat sõna.
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
# Kasutamine
long_text = "..." # Sinu täistekst
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",
)
# Salvesta iga segment
Mida tekstist eemaldada
Teatud märgid häirivad genereerimist tõsiselt. Emojid ei ole toetatud: mudel ignoreerib neid või tõlgendab juhuslikult. HTML-sildid ja Markdown hääldatakse tekstina, muutes CMS-ist kopeeritud sisu mõttetuks jauramiseks. URL-id loetakse tähehaaval, kaasa arvatud kaldkriipsud ja punktid. Programmeerimissümbolid – sulud, nurksulud, nooled – tõlgendatakse valesti. Lahenduseks on ümberformuleerimine loomulikus keeles:
# Halb
input_bad = "Visit https://mistral.ai to learn more 🎉"
# Hea
input_good = "Visit mistral dot ai to learn more."
Harjumuseks peaks saama iga andmebaasist või veebisaidist pärit sisu läbi puhastusfunktsiooni juhtimine enne API väljakutset. See maksab vähem kui tundide kaupa heli kuulamine ununenud emoji leidmiseks.
Mitmekeelsed tekstid
Üks juhtum laheneb iseenesest: keelte segamine. Voxtral tuvastab muutused ja kohandab hääldust ilma annotatsioone nõudmata.
mixed_text = (
"Welcome to our presentation. "
"As we say in English, the sky is the limit. "
"Willkommen bei unserer Vorstellung."
)
Kvaliteet on optimaalne seni, kuni kasutatavad keeled kuuluvad Voxtral TTS 3 toetatud 35 keele hulka. Üle selle piiri jääb hääldus küll usutavaks, kuid aksent kaldub kõrvale, mida emakeelne kuulaja kohe märkab.
Hääle juhtimine Voxtral TTS 3-ga
Voxtral TTS 3 lisab kolm juhtimishooba, mis kirjutatakse otse päringusse.
Emotsiooni ja tempo sildid asetatakse input-isse, sulgudesse, enne teksti, mida need mõjutavad: [emotion=calm], [emotion=happy], [pace=slow] või [pace=fast]. Neid ei hääldata, need kehtivad kuni järgmise sildini ja neid saab kombineerida ([emotion=calm][pace=slow]). Dokumentatsioonis on kirjeldatud 34 emotsiooni alates amused kuni wistful. Voxtral 2 puhul saadi emotsioon häälevariandi valiku kaudu (gb_jane_sad); need variandid jäävad toetuks.
expressiveness, vahemikus 1,0 kuni 5,0, määrab, kui tugevalt kõne sinu soove järgib: kõrgemad väärtused toovad esile rohkem emotsiooni, kuid vähendavad hääle sarnasust algsega. Alusta vaikimisi väärtusest, suurenda seda, kui emotsioon ei tule välja, või vähenda, kui esitus kõlab sunnituna.
phoneme_hints parandab sõna hääldust – olgu selleks brändinimi või akronüüm – kasutades fonoomide loetelu suletud 50 elemendi hulgast (tundmatu fonoom tagastab vea 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))
Dokumentatsioonist kaks ettevaatusabinõu: pika lause ette paigutatud silt võib katkestada heli komakohal – hoia sildiga laused lühikesena – ja loomuliku keele stiili juhised (instruction) ei ole Voxtral TTS 3 käivitamisel saadaval.
Peamised punktid
- Kirjuta arvud ja lühendid täisnimes, et tagada õige hääldus
- Kasuta kirjavahemärke pauside juhtimiseks (koma, punkt, kolm punkti)
- Jagage pikad tekstid segmentideks, mis lõpevad tervete lausetega
- Välti emojide, HTML-i, URL-ide ja koodi kasutamist sisendtekstis
- Voxtral TTS 3 haldab mitmekeelset teksti oma 35 keeles; keele kannab hääl
- Sildid
[emotion=…]ja[pace=…],expressivenessningphoneme_hintsjuhivad häält Voxtral TTS 3-s