Najbolje prakse za audio
Na ovoj stranici
Tečaj ažuriran 3. studenoga 2026. za Voxtral TTS 3, na temelju vodiča Migrate from Voxtral 2 i stranica Mistrala Text to Speech:
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 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.
Kvaliteta ulaza određuje kvalitetu izlaza
Kloniranje glasa putem Voxtrala moćno je, ali u potpunosti ovisi o kvaliteti audio uzorka koji pružiš. Loš zapis rezultirat će lošim sintetičkim glasom, bez iznimke i bez mogućnosti naknadnog popravka. Sljedeća četiri pravila mogu se sažeti u jednu rečenicu, no upravo ona razdvajaju glas koji ljudi vole slušati od onoga koji utišaju nakon trideset sekundi.
Pravilo 1: Čist audio
Okruženje snimanja ključno je jer model ne može razlikovati tvoj glas od okoline: on uči sve. Stalna pozadinska buka – ventilacija, razgovori u uredu otvorenog tipa, promet iza prozora – bit će zabilježena i reproducirana u svakoj generaciji, čak i šest mjeseci kasnije na potpuno nepovezanom tekstu. Reverberacija uzrokuje isti problem: prazna soba s tvrdim površinama, pločicama ili velikim prozorima stvara odjek koji će model vjerno reproducirati; radije odaberi namješten prostor ili minimalnu akustičku obradu. Čak će i vrlo tiha pozadinska glazba biti uhvaćena i pomiješana s glasom. Naposljetku, uzorak mora sadržavati samo jednog govornika: dva preklapajuća glasa daju neupotrebljive rezultate.
Nemaš studio? To nije prepreka. Ormar pun odjeće izvrstan je akustički izolator i obavlja posao skupih apsorpcijskih ploča. Mikrofon na slušalicama podcast kvalitete više je nego dovoljan – razlika između njega i profesionalnog mikrofona daleko je manja od razlike između tihe i bučne sobe. Snimaj sa zatvorenim prozorima i isključenim obavijestima te usvoji naviku pokretanja 5-sekundnog testa koji ćeš preslušati prije konačnog snimanja: tada ćeš otkriti vibrirajući hladnjak ili tipkovnicu koja je preblizu mikrofonu.
Pravilo 2: Govori prirodno
Model bilježi ne samo tvoj tembar već i tvoj stil govora, a upravo tu mnogi prvi pokušaji propadnu. Pred mikrofonom ljudi spontano počinju artikulirati poput voditelja vijesti – a sintetički glas nasljeđuje taj namješten ton, koji zvuči lažno već u drugoj rečenici. Govori onako kako inače govoriš, bez forsiranja dikcije ili mijenjanja uobičajenog tempa.
Vrijedi i obrnuto: ravan, monoton zapis rezultirat će monotonim glasom. Prirodno variraj intonaciju i zadrži stabilan ritam – ne prebrzo, jer model propušta nijanse, ni presporo, jer ćeš dobiti glas koji zvuči pospano. Imaj na umu da emocija u tvom uzorku izravno utječe na emociju generiranog glasa: ako snimaš s entuzijazmom, sintetički glas zvučat će entuzijastično; ako snimaš smireno, zvučat će smireno. Stoga odaberi raspoloženje za snimanje prema namjeni – narator audioknjige i agent za podršku ne zahtijevaju istu razinu energije.
Pravilo 3: Izbjegavaj riječi popunice
Riječi popunice, oni zamjenski izrazi koji isprekidaju spontani govor, neprijatelji su kloniranja glasa. Izbjegavaj parazitske „hm“, „ee“, „pa“ i „dakle“ te ne kašljaj i ne čisti grlo tijekom snimanja. Ako pogriješiš, kreni ispočetka umjesto ispravljanja usred rečenice – „oprostite, da krenem ispočetka“ ostat će u uzorku.
Razlog je jednostavan: model ne može razlikovati tvoj glas od tvojih oklijevanja. On ih tretira kao karakteristiku tvog stila govora i reproducira ih u svakoj generaciji. Korisnik koji čuje da njegov glasovni asistent sustavno oklijeva usred rečenice neće pomisliti da je riječ o grešci; pomislit će da je usluga nemarna.
Pravilo 4: Optimalno trajanje
Kao što je obrađeno u prethodnoj lekciji, preporučeno trajanje iznosi 10 do 20 sekundi, no taj raspon zaslužuje pojašnjenje. Ispod 5 sekundi model nema dovoljno podataka za hvatanje varijacija tvog glasa pa rezultat zvuči generički. Voxtral 2 odbijao je uzorke dulje od 30 sekundi; Voxtral TTS 3 prihvaća do nekoliko minuta, no nakon otprilike dvadeset sekundi, raznolikost govora, a ne sama duljina, poboljšava rezultat. Zlatna sredina je stoga oko 15 do 20 sekundi raznovrsnog, prirodnog govora – raznolikost je jednako važna kao i duljina.
Trik s višejezičnošću
Evo napredne tehnike koju su otkrili korisnici Voxtrala: višejezično kloniranje omogućuje stvaranje zanimljivih efekata naglaska. Princip je pružiti uzorak na jednom jeziku, recimo francuskom, a zatim generirati govor na drugom, recimo engleskom. Rezultat? Sintetički glas govori engleski s francuskim naglaskom izvornog govornika.
# 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",
)
Rezultat zvuči točno kao da francuski govornik govori engleski, sa svojim prirodnim naglaskom. Najočitija primjena je za brendove koji žele zadržati svoj vokalni identitet na različitim jezicima: francuski glasnogovornik tvrtke zadržava svoju zvučnu potpisnu crtu na engleskoj verziji kampanje umjesto da bude zamijenjen anonimnim glasom.
Kontrolni popis prije snimanja
Prije nego započneš konačno snimanje, provjeri:
- Tiho okruženje (bez pozadinske buke, bez odjeka)
- Mikrofon pravilno postavljen (10–15 cm od usta)
- Obavijesti isključene (telefon, računalo)
- Pripremljen scenarij ili tema na umu
- Potvrđen 5-sekundni test
Ključne točke
- Čist audio bez pozadinske buke ili reverberacije nužan je
- Govori prirodno i ekspresivno – model bilježi tvoj stil
- Izbjegavaj riječi popunice („hm“, „ee“) jer će biti reproducirane
- Optimalno trajanje je 15 do 20 sekundi raznovrsnog govora
- Višejezično kloniranje omogućuje očuvanje naglaska na drugom jeziku