Parimad tavad heli jaoks
Sellel lehel
Kursust uuendati 3. novembril 2026 Voxtral TTS 3 jaoks, tuginedes Migreeru Voxtral 2-st juhendile ja Mistrali Tekst kõneks lehtedele:
voxtral-mini-tts-2603, mis tunnistati aegunuks 31. oktoobril 2026 ja lõpetati 30. aprillil 2027, on näidetes asendatud 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) ja 35 keelt. Mistral soovitab pärast migratsiooni latentsusaeg uuesti mõõta. Allikad: Migreeru Voxtral 2-st · Kõne genereerimine.
Sisendi kvaliteet määrab väljundi kvaliteedi
Voxtrali hääle kloonimine on võimas, kuid see sõltub täielikult sinu pakutava helinäidise kvaliteedist. Halvast salvestusest saab halb sünteetiline hääl – erandeid pole ja hiljem seda parandada ei saa. Järgmised neli reeglit mahuvad igaüks ühte lausesse, ometi teevad need vahet häälel, mida inimesed naudivad, ja sellisel, mille nad kolmekümne sekundi pärast vaigistavad.
Reegel 1: Puhas heli
Salvestuskeskkond on kriitilise tähtsusega, sest mudel ei suuda eristada sinu häält ümbritsevast: see õpib kõike. Pidev taustamüra – ventilatsioon, avatud kontori kõmin, liiklus akna taga – salvestub ja kordub igas genereeringus, isegi kuus kuud hiljem täiesti seostamata teksti puhul. Kaja tekitab sama probleemi: tühi ruum kõvade pindade, plaatide või suurte akendega tekitab kaja, mida mudel truult kordab; eelista sisustatud ruumi või minimaalset akustilist töötlemist. Isegi väga vaene taustamuusika püütakse kinni ja segatakse häälega. Lõpuks peab näidis sisaldama ainult üht kõnelejat: kaks kattuvat häält annavad kasutamatuid tulemusi.
Puudub stuudio? See pole takistuseks. Riietega täidetud garderoob on suurepärane heliisolaator ja asendab kallid neelamispaneelid. Hea kvaliteediga podcast-stiilis peakomplekti mikrofon on enam kui piisav – erinevus selle ja professionaalse mikrofoni vahel on palju väiksem kui erinevus vaikse ja mürase ruumi vahel. Salvesta suletud akendega ja teavitused välja lülitatuna. Võta harjumuseks teha enne lõplikku salvestust 5-sekundiline test, mida kuulad üle: just siis avastad vibreeriva külmkapi või liiga lähedal oleva klaviatuuri.
Reegel 2: Räägi loomulikult
Mudel püüab kinni mitte ainult sinu tembriga, vaid ka sinu kõnestiili, ja just siin ebaõnnestuvad paljud esimesed katsed. Mikrofoni ette astudes hakkavad inimesed spontaanselt artikulima nagu uudisediker – ja sünteetiline hääl pärib selle tehisliku tooni, mis kõlab juba teises lauses võltsina. Räägi nii, nagu sa tavaliselt teed, ilma diktsiooni sundimata või tavapärast tempot muutmata.
Vastupidine kehtib samuti: lame, monotoonne salvestus toodab monotoonse hääle. Varii loomulikult intonatsiooni ja hoia ühtlast rütmi – mitte liiga kiiresti, muidu jätab mudel nüansid tähelepanuta, ja mitte liiga aeglaselt, muidu kõlab hääl unisena. Pea meeles, et sinu näidises olev emotsioon mõjutab otseselt genereeritud hääle emotsiooni: kui salvestad entusiasmiga, kõlab sünteetiline hääl entusiastlikuna; kui salvestad rahulikult, kõlab see rahulikuna. Vali salvestuse meeleolu vastavalt kavandatavale kasutusele – audioraamatu lugeja ja tugiteenuse operaator ei vaja sama energiat.
Reegel 3: Vaida täitesõnu
Täitesõnad, need kohatäitjad, mis liigendavad spontaanset kõnet, on hääle kloonimise vaenlased. Välti parasiitlikke „emm“, „äh“, „noh“ ja „nii-öelda“, ära köhi ega puhasta kurku salvestamise ajal. Kui teed vea, alusta otsast peale, mitte ei paranda keset lauset – vabandus „vabandust, alustan uuesti“ jääb näidisesse.
Põhjus on lihtne: mudel ei tee vahet sinu hääle ja sinu kõhkluste vahel. Ta käsitleb neid sinu kõnestiili osana ja kordab neid igas genereeringus. Klient, kes kuuleb oma hääleassistendi lause keskel süstemaatiliselt kõhklevat, ei arva, et tegu on veaga; ta arvab, et teenus on lohakas.
Reegel 4: Optimaalne kestus
Nagu eelmises tunnis käsitletud, on soovitatav kestus 10 kuni 20 sekundit, kuid see vahemik vajab täpsustamist. Alla 5 sekundi ei ole mudelil piisavalt andmeid, et püüda kinni sinu hääle variatsioone, ja tulemus kõlab üldisena. Voxtral 2 lükkas tagasi üle 30 sekundi pikkused näidised; Voxtral TTS 3 aktsepteerib kuni mõne minuti pikkuseid faile, kuid üle kahekümne sekundi parandab tulemust pigem kõne mitmekesisus kui selle pikkus. Seega on magus punkt umbes 15–20 sekundit mitmekesist, loomulikku kõnet – mitmekesisus loeb sama palju kui pikkus.
Keelteülene trikk
Siin on Voxtrali kasutajate avastatud edasijõudnute tehnika: keelteülene kloonimine võimaldab luua huvitavaid aktsendiefekte. Põhimõte seisneb selles, et esitad näidise ühes keeles, näiteks prantsuse keeles, ja genereerid kõne teises, näiteks inglise keeles. Tulemus? Sünteetiline hääl räägib inglise keelt algse kõneleja prantsuse aktsendiga.
# 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",
)
Tulemus kõlab täpselt nagu prantslane, kes räägib inglise keelt oma loomuliku aktsendiga. Kõige ilmsem rakendus on brändidele, kes soovivad säilitada oma hääleidentiteeti üle keelte: prantsuse ettevõtte pressiesindaja säilitab oma helilise allkirja kampaania ingliskeelses versioonis, selle asemel et teda asendaks anonüümne hääl.
Enne salvestamist kontrolli
Enne lõpliku salvestuse alustamist veendu, et:
- Keskkond on vaikne (puudub taustamüra ja kaja)
- Mikrofon on õigesti paigutatud (10–15 cm suust)
- Teavitused on välja lülitatud (telefon, arvuti)
- Stsenarium on valmis või teema mõttes olemas
- 5-sekundiline test on kinnitatud
Peamised punktid
- Puhas heli ilma taustamüra ja kajata on hädavajalik
- Räägi loomulikult ja väljendusrikkalt – mudel püüab kinni sinu stiili
- Välti täitesõnu („emm“, „äh“), kuna need korduvad
- Optimaalne kestus on 15–20 sekundit mitmekesist kõnet
- Keelteülene kloonimine võimaldab säilitada aktsenti teises keeles