Kontrola teksta i izgovor
Na ovoj stranici
Tečaj ažuriran 3. studenoga 2026. za Voxtral TTS 3, na temelju vodiča Migrate from Voxtral 2 i stranica Text to Speech tvrtke Mistral:
voxtral-mini-tts-2603, zastario 31. listopada 2026. i povučen 30. travnja 2027., u primjerima je zamijenjen svoxtral-mini-tts-3-0. Unaprijed definirani glasovi iz Voxtrala 2 (gb_jane_neutral…) i dalje su podržani; Voxtral 3 dodaje oznake[emotion=…]i[pace=…]u tekst, postavkuexpressiveness, prilagođeni izgovor (phoneme_hints) i 35 jezika. Mistral preporučuje ponovno mjerenje latencije nakon migracije. Izvori: Migrate from Voxtral 2 · Speech generation.
Savladaj ono što Voxtral izgovara
Voxtral generira prirodan govor iz sirovog teksta, što savršeno funkcionira za standardne narative ili dijaloge. Izazovi nastaju kod elemenata koji nisu proza: brojevi telefona, akronimi, datumi i postoci. Tvoj ulazni tekst postaje tvoj jedini mehanizam kontrole – nema markupa koji možeš dodati. Način na koji pišeš diktira glasovni ishod. Ova lekcija pokriva tehnike koje razlikuju profesionalnu poruku od približnog čitanja.
Pisanje brojeva onako kako se izgovaraju
Model nedosljedno tumači znamenke, što rezultate čini teško predvidljivima. Pravilo je jednostavno: u tekstu namijenjenom sintezi, napiši brojeve točno onako kako bi ih radio-voditelj pročitao.
| Napiši | Ne piši | Zašto |
|---|---|---|
| ”two thousand twenty-six" | "2026” | Model bi mogao reći “twenty twenty-six" |
| "zero one, forty-two, thirty-seven" | "01 42 37” | Pogrešan izgovor broja telefona |
| ”fifteen point five percent" | "15.5%“ | Simbol % nije protumačen |
| ”three forty-five" | "3:45” | Dvosmisleni skraćeni format |
Obrati pažnju na tretman broja telefona: zarezi nisu ukras. Oni nameću grupiranje po dvije znamenke i stakato ritam koji ljudi prirodno koriste kada diktiraju broj.
Akronimi i kratice
Kratice predstavljaju slične probleme, s nijansom: ponekad ih želiš proširiti, a ponekad izgovoriti slovo po slovo. Sirovi akronim može se izgovoriti kao riječ, što stvara nespretne rezultate u porukama upućenim klijentima.
# Loše: model bi mogao izgovoriti "sarl" kao riječ
input_bad = "Our SARL is based in Paris."
# Dobro: eksplicitan izgovor
input_good = "Our Société à Responsabilité Limitée is based in Paris."
# Alternativa za akronime koji se čitaju slovo po slovo
input_acronym = "Our S.A.R.L. is based in Paris."
Treći oblik je ključna poruka: umetanje točke između svakog slova prisiljava čitanje slovo po slovo. Koristi ovo za kodove rezervacija, registarske pločice ili identifikatore koje slušatelji trebaju zapisati.
Interpunkcija za dah
Bez namjenskog markupa, interpunkcija kontrolira tišinu. Zarez stvara kratku pauzu (~200 ms); točka, srednju pauzu (~500 ms); tri točke, dug dah (~800 ms); a crtica postavlja dramatičnu pauzu, onu kakvu staviš prije otkrića.
# Tekst s kontroliranim pauzama
text = (
"Ladies and gentlemen... "
"welcome to this conference. "
"Today, we will discuss — "
"a topic that will change how you work."
)
Brzina govora prvenstveno ovisi o referentnom uzorku: brz izvorni glas daje brz sintetički glas. Međutim, možeš utjecati na nju kroz tekst. Dodavanje interpunkcije usporava brzinu i prozračuje sadržaj; uklanjanje zareza i skraćivanje rečenica ubrzava ga. Da naglasiš riječ, napiši je VELIKIM SLOVIMA – „This is ABSOLUTELY essential“ – i dobit ćeš naglasak bez dodirivanja zvuka.
Razdvajanje dugih tekstova
Dokumentacija za Voxtral 2 preporučivala je ostati ispod 300 riječi po zahtjevu za najbolje rezultate. Dokumentacija za Voxtral TTS 3 ne postavlja strogo ograničenje, ali upozorava da oznaka emocije postavljena prije duge rečenice može skratiti audio zapis na zarezu. Razdvajanje ostaje najbolja praksa.
Rješenje je podijeliti tekst na segmente od 200–300 riječi, nikada usred rečenice. Prekid na neprirodnoj granici odmah je čujan. Sljedeća funkcija zatvara segment tek nakon riječi koja završava točkom.
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
Što ukloniti iz teksta
Određeni znakovi ozbiljno remete generiranje. Emojiji nisu podržani: model ih ignorira ili nasumično tumači. HTML oznake i Markdown izgovaraju se kao tekst, pretvarajući sadržaj kopiran iz CMS-a u besmislice. URL-ovi se izgovaraju znak po znak, uključujući kose crte i točke. Programski simboli – vitičaste zagrade, uglate zagrade, strelice – pogrešno se tumače. Rješenje je preformuliranje na prirodnom jeziku:
# Loše
input_bad = "Visit https://mistral.ai to learn more 🎉"
# Dobro
input_good = "Visit mistral dot ai to learn more."
Učini navikom da bilo koji sadržaj iz baze podataka ili web-mjesta provedeš kroz funkciju čišćenja prije poziva API-ju. To košta manje od slušanja sati audio zapisa kako bi se uočio zaboravljeni emojiji.
Višejezični tekstovi
Jedan se slučaj rješava sam od sebe: miješanje jezika. Voxtral detektira promjene i prilagođava izgovor bez potrebe za bilješkama.
mixed_text = (
"Welcome to our presentation. "
"As we say in English, the sky is the limit. "
"Willkommen bei unserer Vorstellung."
)
Kvaliteta je optimalna sve dok su korišteni jezici među 35 podržanih jezika Voxtral TTS 3. Izvan toga, izgovor ostaje uvjerljiv, ali naglasak odstupa, što izvorni govornik odmah primijeti.
Upravljanje glasom s Voxtral TTS 3
Voxtral TTS 3 dodaje tri poluge za kontrolu, zapisane izravno u zahtjev.
Oznake emocije i tempa idu u input, u zagradama, prije teksta na koji utječu: [emotion=calm], [emotion=happy], [pace=slow] ili [pace=fast]. One se ne izgovaraju, primjenjuju se do sljedeće oznake i mogu se kombinirati ([emotion=calm][pace=slow]). Dokumentirano je trideset i četiri emocije, od amused do wistful. Kod Voxtrala 2, emocija se birala putem varijante glasa (gb_jane_sad); te varijante ostaju podržane.
expressiveness, od 1.0 do 5.0, postavlja koliko snažno govor slijedi tvoj zahtjev: više vrijednosti ističu više emocije uz cijenu smanjene sličnosti glasu. Počni s zadanim, povećaj ako emocija ne prolazi, smanji ako isporuka zvuči prisiljeno.
phoneme_hints fiksira izgovor riječi – imena brenda, akronima – putem popisa fonema iz zatvorenog skupa od 50 (nepoznati fonem vraća grešku 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))
Dvije mjere opreza iz dokumentacije: oznaka postavljena prije duge rečenice može skratiti audio zapis na zarezu – drži označene rečenice kratkima – a upute u stilu prirodnog jezika (instruction) nisu dostupne pri lansiranju Voxtral TTS 3.
Ključne točke
- Razpiši brojeve i kratice za ispravan izgovor
- Koristi interpunkciju za kontrolu pauza (zarez, točka, tri točke)
- Podijeli duge tekstove na segmente koji završavaju potpunim rečenicama
- Izbjegavaj emojije, HTML, URL-ove i kod u ulaznom tekstu
- Voxtral TTS 3 obrađuje višejezični tekst kroz svojih 35 jezika; jezik nosi glas
- Oznake
[emotion=…]i[pace=…],expressivenessiphoneme_hintsusmjeravaju glas u Voxtral TTS 3