Ohjaus ja ääntäminen
Tällä sivulla
Kurssi päivitetty 3. marraskuuta 2026 Voxtral TTS 3:ta varten perustuen Migrate from Voxtral 2 -oppaaseen ja Mistralin Text to Speech -sivuihin:
voxtral-mini-tts-2603, joka on vanhentunut 31. lokakuuta 2026 ja poistetaan käytöstä 30. huhtikuuta 2027, on korvattu esimerkeissä mallillavoxtral-mini-tts-3-0. Voxtral 2:n esiasetellut äänet (gb_jane_neutral…) ovat edelleen tuettuja; Voxtral 3 lisää tekstiin[emotion=…]- ja[pace=…]-tagit,expressiveness-asetuksen, mukautetun ääntämisen (phoneme_hints) sekä tuen 35 kielelle. Mistral suosittelee viiveen mittaamista uudelleen siirtymän jälkeen. Lähteet: Migrate from Voxtral 2 · Speech generation.
Voxtralin ääntämisen hallinta
Voxtral tuottaa luonnollista puhetta raakatekstistä, mikä toimii moitteettomasti tavallisissa kertomuksissa tai vuoropuheluissa. Haasteita ilmenee epäproosallisissa elementeissä: puhelinnumeroissa, lyhenteissä, päivämäärissä ja prosenteissa. Syöttämäsi teksti on ainoa ohjausmekanismisi – merkintäkieltä ei voi lisätä. Kirjoitustapasi määrää äänituloksen. Tämä oppitunti käsittelee tekniikoita, jotka erottavat ammattimaisen viestin epätarkasta luvusta.
Lukujen kirjoittaminen puhutussa muodossa
Malli tulkitsee numeroita epäjohdonmukaisesti, joten tuloksia on vaikea ennustaa. Sääntö on yksinkertainen: kirjoita synteesiin tarkoitetussa tekstissä luvut täsmälleen niin kuin radiotoimittaja lukisi ne.
| Kirjoita | Älä kirjoita | Miksi |
|---|---|---|
| ”two thousand twenty-six" | "2026” | Malli saattaa sanoa “twenty twenty-six" |
| "zero one, forty-two, thirty-seven" | "01 42 37” | Puhelinnumero ääntyy väärin |
| ”fifteen point five percent" | "15.5%” | %-merkkiä ei tulkita |
| ”three forty-five" | "3:45” | Epäselvä lyhenne |
Huomaa puhelinnumeron käsittely: pilkut eivät ole koristeita. Ne pakottavat kahden numeron ryhmittelyn ja sen staccato-rytmin, jota ihmiset luonnostaan käyttävät numeroita sanellessaan.
Lyhenteet ja akronyymit
Lyhenteet aiheuttavat samanlaisia ongelmia, mutta niissä on vivahde: joskus haluat ne lausuttavan täysin, toisinaan kirjain kerrallaan. Raaka akronyymi saatetaan lausua sanana, mikä luo kiusallisia tilanteita asiakasviesteissä.
# Huono: malli saattaa lausua "sarl" sanana
input_bad = "Our SARL is based in Paris."
# Hyvä: eksplisiittinen ääntäminen
input_good = "Our Société à Responsabilité Limitée is based in Paris."
# Vaihtoehto kirjain kerrallaan lausuttaville akronyymeille
input_acronym = "Our S.A.R.L. is based in Paris."
Kolmas muoto on tärkein oivallus: pisteen lisääminen jokaisen kirjaimen väliin pakottaa kirjain kerrallaan -lukutavan. Käytä tätä varauskoodeihin, rekisterikilpiin tai tunnisteisiin, jotka kuulijan tulee kirjoittaa muistiin.
Välimerkit hengitystaukojen ohjaamiseen
Ilman erillistä merkintäkieltä välimerkit ohjaavat hiljaisuutta. Piste luo lyhyen tauon (~200 ms), piste keskipitkän tauon (~500 ms), kolme pistettä pitkän hengitystauon (~800 ms) ja ajatusviiva asettaa dramaattisen tauon, sellaisen kuin teet ennen paljastusta.
# Teksti hallituilla tauoilla
text = (
"Ladies and gentlemen... "
"welcome to this conference. "
"Today, we will discuss — "
"a topic that will change how you work."
)
Puhenopeus tulee ensisijaisesti referenssinäytteestä: nopea lähdeääni tuottaa nopean synteettisen äänen. Voit kuitenkin vaikuttaa siihen tekstin kautta. Välimerkkien lisääminen hidastaa nopeutta ja ilmavoittaa sisältöä; pilkkujen poistaminen ja lauseiden lyhentäminen nopeuttavat sitä. Korostaaksesi sanaa, kirjoita se SUURILLA KIRJAIMILLA – “This is ABSOLUTELY essential” – ja saat korostuksen koskematta äänitiedostoon.
Pitkien tekstien pilkkominen
Voxtral 2:n dokumentaatio suositteli pysymään alle 300 sanan pyyntöä kohden parhaan tuloksen saavuttamiseksi. Voxtral TTS 3:n dokumentaatio ei aseta kovaa rajaa, mutta varoittaa, että pitkän lauseen eteen sijoitettu tunnetagi voi katkaista äänen pilkun kohdalta. Pilkkominen on edelleen paras käytäntö.
Ratkaisu on jakaa teksti 200–300 sanan osiin, ei koskaan kesken lausetta. Leikkaus luonnottomassa kohdassa kuuluu heti. Seuraava funktio päättää osion vasta, kun sana päättyy pisteeseen.
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
Mitä tekstistä tulee poistaa
Tietyt merkit häiritsevät tuotantoa vakavasti. Emojit eivät ole tuettuja: malli joko ignoro ne tai tulkitsee ne satunnaisesti. HTML-tagit ja Markdown lausutaan tekstinä, mikä muuttaa CMS-järjestelmästä kopioidun sisällön hölynpölyksi. URL-osoitteet tavataan kirjain kerrallaan, vinoviivat ja pisteet mukaan lukien. Ohjelmointisymbolit – aaltosulkeet, hakasulkeet, nuolet – tulkitaan väärin. Ratkaisu on uudelleenmuotoilu luonnollisella kielellä:
# Huono
input_bad = "Visit https://mistral.ai to learn more 🎉"
# Hyvä
input_good = "Visit mistral dot ai to learn more."
Tee tavaksi ajaa kaikki tietokannasta tai verkkosivustolta peräisin oleva sisältö puhdistusfunktion läpi ennen API-kutsua. Se maksaa vähemmän kuin tuntikausien äänen kuuntelemine unohtuneen emojin etsimiseksi.
Monikieliset tekstit
Yksi tapaus ratkeaa itsestään: kielten sekoittaminen. Voxtral havaitsee muutokset ja mukauttaa ääntämisen ilman annotaatiota.
mixed_text = (
"Welcome to our presentation. "
"As we say in English, the sky is the limit. "
"Willkommen bei unserer Vorstellung."
)
Laatu on optimaalinen, niin kauan kuin käytetyt kielet kuuluvat Voxtral TTS 3:n tukemiin 35 kieleen. Sen ulkopuolella ääntäminen pysyy uskottavana, mutta aksentti vääristyy, minkä äidinkielinen kuulija huomaa heti.
Äänen ohjaaminen Voxtral TTS 3:lla
Voxtral TTS 3 lisää kolme ohjausvipua, jotka kirjoitetaan suoraan pyyntöön.
Tunne- ja nopeustagit sijoitetaan kohtaan input hakasulkeisiin ennen tekstiä, jota ne koskevat: [emotion=calm], [emotion=happy], [pace=slow] tai [pace=fast]. Niitä ei lausuta, ne ovat voimassa seuraavaan tagiin saakka ja ne voidaan yhdistää ([emotion=calm][pace=slow]). Dokumentaatiossa on listattu 34 tunnetta aina amused-tilasta wistful-tilaan. Voxtral 2:ssa tunne valittiin äänivariantin kautta (gb_jane_sad); nämä variantit ovat edelleen tuettuja.
expressiveness, arvolla 1.0–5.0, määrittää, kuinka voimakkaasti puhe noudattaa pyyntöäsi: korkeammat arvot tuovat esiin enemmän tunnetta äänen samankaltaisuuden kustannuksella. Aloita oletusarvosta, kasvata arvoa jos tunne ei välity, ja pienennä jos esitys kuulostaa pakotetulta.
phoneme_hints korjaa sanan ääntämisen – kuten tuotemerkin tai akronyymin – fonemiluettelon avulla, joka on peräisin suljetusta 50 fonemin joukosta (tuntematon fonemi palauttaa virheen 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))
Kaksi dokumentaation varoitusta: pitkän lauseen eteen sijoitettu tagi voi katkaista äänen pilkun kohdalta – pidä tagitetut lauseet lyhyinä – ja luonnollisen kielen tyyliohjeet (instruction) eivät ole käytettävissä Voxtral TTS 3:n julkaisuhetkellä.
Keskeiset asiat
- Kirjoita luvut ja lyhenteet auki oikean ääntämisen varmistamiseksi
- Käytä välimerkkejä taukojen ohjaamiseen (pilkku, piste, kolme pistettä)
- Pilko pitkät tekstit osiin, jotka päättyvät完整的iin lauseisiin
- Vältä emojeja, HTML:ää, URL-osoitteita ja koodia syöttötekstissä
- Voxtral TTS 3 käsittelee monikielistä tekstiä sen 35 tuetulla kielellä; kieli kulkeutuu äänen mukana
- Tagit
[emotion=…]ja[pace=…],expressivenesssekäphoneme_hintsohjaavat ääntä Voxtral TTS 3:ssa