Rialú Téacs agus Fuaimniú
Ar an leathanach seo
An cúrsa nuashonraithe an 3 Samhain, 2026 do Voxtral TTS 3, bunaithe ar an treoir
Migrate from Voxtral 2agus ar leathanaigh Text to Speech ó Mistral: távoxtral-mini-tts-2603, a d’éag an 31 Deireadh Fómhair, 2026 agus a scorfar an 30 Aibreán, 2027, curtha in ionad agvoxtral-mini-tts-3-0sna samplaí. Fanann guthanna réamhshocraithe Voxtral 2 (gb_jane_neutral…) faoi thacaíocht; cuireann Voxtral 3 clibeanna[emotion=…]agus[pace=…]sa téacs, an socruitheexpressiveness, fuaimniú saincheaptha (phoneme_hints), agus 35 teanga leis. Molann Mistral moill a ath-thomhas tar éis na himirce. Foinse:Migrate from Voxtral 2(https://docs.mistral.ai/studio/audio/migrate-from-voxtral-2) · Speech generation.
Conas a Rialaíonn tú Cad a Fhuaimníonn Voxtral
Gineann Voxtral caint nádúrtha ó théacs amh, rud a oibríonn go foirfe do scéalta caighdeánacha nó do dhiailóg. Tagann deacrachtaí chun cinn le heilimintí nach próis iad: uimhreacha fóin, aicreainimh, dátaí, agus céatadáin. Is é do théacs ionchuir an t-aon mheicníocht rialaithe atá agat—níl aon mharcáil le cur leis. Cinneann an chaoi a scríobhann tú an toradh gutha. Clúdaíonn an ceacht seo na teicnící a dhéanann idirdhealú idir teachtaireacht ghairmiúil agus léamh neamhchinnte.
Uimhreacha a Scríobh Mar a Fhuaimnítear Iad
Bíonn an tsamhail neamhréireach agus uimhreacha á léamh aici, rud a fhágann go bhfuil sé deacair torthaí a thuar. Is simplí an riail: sa téacs atá ceaptha le sintéis, scríobh uimhreacha díreach mar a léifeadh láithreoir raidió iad.
| Scríobh | Ná Scríobh | Cén fáth |
|---|---|---|
| ”two thousand twenty-six" | "2026” | D’fhéadfadh an tsamhail “twenty twenty-six” a rá |
| ”zero one, forty-two, thirty-seven" | "01 42 37” | Uimhir fhóin mí-fhuaimnithe |
| ”fifteen point five percent" | "15.5%“ | Ní thuigtear an siombail % |
| “three forty-five" | "3:45” | Formáid ghiorraithe atá débhríoch |
Tabhair faoi deara conas a dhéileáiltear le huimhreacha fóin: ní maisiúcháin iad camóga. Forghníomhaíonn siad grúpáil dhá dhigit agus an rithim staccato a úsáideann daoine go nádúrtha agus uimhir á dictiú acu.
Aicreainimh agus Giorrúcháin
Cruthaíonn giorrúcháin fadhbanna cosúla, le nuance amháin: uaireanta ba mhaith leat iad a leathnú, uaireanta eile iad a litriú litir ar litir. D’fhéadfadh aicreainimh amh a bheith fuaimnithe mar fhocal, rud a chruthaíonn torthaí míchompordach i dteachtaireachtaí atá dírithe ar chustaiméirí.
# Droch: d'fhéadfadh an tsamhail "sarl" a fhuaimniú mar fhocal
input_bad = "Our SARL is based in Paris."
# Maith: fuaimniú sainráite
input_good = "Our Société à Responsabilité Limitée is based in Paris."
# Rogha eile d'aicreainimh litir ar litir
input_acronym = "Our S.A.R.L. is based in Paris."
Is é an tríú foirm an phríomhphointe: cuireann ponc idir gach litir iallach ar an tsamhail an téacs a léamh litir ar litir. Bain úsáid as seo do chóid áirithinte, plátaí ceadúnais, nó aitheantais ar gá d’éisteoirí iad a nótaáil síos.
Poncaíocht le haghaidh Anála
Gan marcáil tiomnaithe, is í an phoncaíocht a rialaíonn an tost. Cruthaíonn camóg sos gearr (~200 ms); ponc, sos meánach (~500 ms); poncanna suspinse, anáil fhada (~800 ms); agus socraíonn dash fada sos drámatúil, an cineál a chuireann tú roimh nochtadh.
# Téacs le sosanna rialaithe
text = (
"Ladies and gentlemen... "
"welcome to this conference. "
"Today, we will discuss — "
"a topic that will change how you work."
)
Tagann ráta cainte go príomha ón sampla tagartha: tugann foinseghuth tapa guth sintéiseach tapa. Mar sin féin, is féidir leat tionchar a imirt air tríd an téacs. Cuireann poncaíocht a chur leis moill ar an ráta agus cuireann sé aer sa ch inneachar; baintear camóga agus giorraítear abairtí chun é a luasghéarú. Chun béim a chur ar fhocal, scríobh é in OLLCHLÓ—“This is ABSOLUTELY essential”—agus faigheann tú béim gan an fuaime a shuathadh.
Téacsanna Fada a Roinnt
Mhol doiciméadú Voxtral 2 fanacht faoi bhun 300 focal in aghaidh na hiarratais chun na torthaí is fearr a fháil. Ní shocraíonn doiciméadú Voxtral TTS 3 aon teorainn chrua, ach rabhalaíonn sé go bhféadfadh clib mhothúcháin a chuirtear roimh abairt fhada an fhuaim a ghearradh ag camóg. Is dea-chleachtas fós iad a roinnt.
Is é an réiteach ná roinnt ina mhíreanna de 200–300 focal, gan riamh i lár abairte. Tá gearradh ag teorainn mhí-nádúrtha inchloiste láithreach. Ní dhúnann an fheidhm seo ach mír tar éis focal a chríochnaíonn le ponc.
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
# Úsáid
long_text = "..." # Do théacs iomlán
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",
)
# Sábháil gach mír
Cad le Baint den Téacs
Cuireann carachtair áirithe isteach go mór ar an nginiúint. Ní thacaítear le hemojis: déanann an tsamhail neamhaird orthu nó léirmhíníonn sí go randamach iad. Déantar clibeanna HTML agus Markdown a fhuaimniú mar théacs, rud a athraíonn inneachar a cóipeáladh ó CMS go dtí seafóid. Déantar URLanna a litriú carachtar ar charachtar, slaiseanna agus poncanna san áireamh. Míthuigtear siombailí cláir—lúibíní, camóga cearnacha, saigheada. Is é an réiteach ná athfhoirmliú i ngnáththeanga:
# Droch
input_bad = "Visit https://mistral.ai to learn more 🎉"
# Maith
input_good = "Visit mistral dot ai to learn more."
Déan cleachtas as aon ábhar ó bhunachar sonraí nó ó shuíomh Gréasáin a rith trí fheidhm glantacháin sula ndéanann tú an glaoch API. Is lú an costas é ná éisteacht le huaireanta fuaime chun emoji dearmadta a aimsiú.
Téacsanna Ilteangacha
Réitíonn cás amháin é féin: meascadh teangacha. Brathann Voxtral ar athruithe agus oiriúnaíonn sé an fuaimniú gan aon nótaíocht a theastáil.
mixed_text = (
"Welcome to our presentation. "
"As we say in English, the sky is the limit. "
"Willkommen bei unserer Vorstellung."
)
Tá an cháilíocht optamach fad is atá na teangacha a úsáidtear i measc na 35 teanga a dtacaíonn Voxtral TTS 3 leo. Thairis sin, fanann an fuaimniú inchreidte ach claonann an blas, rud a aithníonn dúchasach láithreach.
An Guth a Stiúradh le Voxtral TTS 3
Cuireann Voxtral TTS 3 trí ghiaráil rialaithe leis, scríofa go díreach san iarratas.
Téann clibeanna mothúcháin agus rithime isteach in input, i lúibíní, roimh an téacs a ndéanann siad difear dóibh: [emotion=calm], [emotion=happy], [pace=slow], nó [pace=fast]. Ní labhraítear iad, feidhmíonn siad go dtí an chlib eile, agus is féidir iad a chomhcheangal ([emotion=calm][pace=slow]). Tá tríocha ceithre mhothúchán doiciméadaithe, ó amused go wistful. Le Voxtral 2, tháinig mothúchán trí roghnú leagan gutha (gb_jane_sad); fanann na leaganacha seo faoi thacaíocht.
Socraíonn expressiveness, ó 1.0 go 5.0, cé chomh láidir agus a leanann an chaint d’iarratas: tugann luachanna níos airde níos mó mothúcháin chun cinn ar chostas cosúlachta gutha laghdaithe. Tosaigh leis an réamhshocrú, méadaigh mura dtagann an mothúchán tríd, agus laghdaigh má fhuaimeann an seachadadh fóirceanta.
Deisíonn phoneme_hints fuaimniú focail—ainm branda, aicreainimh—trí liosta fónéime ó thacar dúnta de 50 (tuilleann fóném anaithnid earráid 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))
Beirt réamhchúraim ón doiciméadú: d’fhéadfadh clib a chuirtear roimh abairt fhada an fhuaim a ghearradh ag camóg—coinnigh abairtí le clibeanna gearr—agus níl treoracha stíle teanga nádúrtha (instruction) ar fáil ag seoladh Voxtral TTS 3.
Príomhphointí
- Litirigh uimhreacha agus giorrúcháin le haghaidh fuaimniú ceart
- Bain úsáid as poncaíocht chun sosanna a rialú (camóg, ponc, poncanna suspinse)
- Roinn téacsanna fada ina míreanna a chríochnaíonn ar abairtí iomlána
- Seachain emojis, HTML, URLanna, agus cód sa téacs ionchuir
- Láimhseálann Voxtral TTS 3 téacs ilteangach thar a 35 teanga; iompraíonn an guth an teanga
- Stiúraíonn clibeanna
[emotion=…]agus[pace=…],expressiveness, agusphoneme_hintsan guth i Voxtral TTS 3