Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Vezérlés és kiejtés

11. lecke 14 közül Frissítve 2026. november 3. Fejlesztő
Ezen az oldalon
  1. A Voxtral kiejtésének mestere
  2. Számok leírása kiejtés szerint
  3. Mozaikszavak és rövidítések
  4. Szüneteltetés írásjelekkel
  5. Hosszú szövegek darabolása
  6. Mit távolíts el a szövegből
  7. Többnyelvű szövegek
  8. A hang irányítása a Voxtral TTS 3-mal
  9. Főbb megállapítások

A tanfolyam frissítve: 2026. november 3., Voxtral TTS 3 verzió, a Migrálás a Voxtral 2-ről útmutató és a Mistral Szövegből beszéd oldalai alapján: a voxtral-mini-tts-2603 modell, amelyet 2026. október 31-én elavulttá nyilvánítottak és 2027. április 30-án vonnak vissza, a példákban a voxtral-mini-tts-3-0 váltotta fel. A Voxtral 2 előre definiált hangjai (pl. gb_jane_neutral…) továbbra is támogatottak; a Voxtral 3 bevezeti a szövegbe ágyazható [emotion=…] és [pace=…] címkéket, az expressiveness beállítást, az egyéni kiejtést (phoneme_hints), valamint 35 nyelv támogatását. A Mistral ajánlja a késleltetés újbóli mérését a migrálás után. Források: Migrálás a Voxtral 2-ről · Beszédgenerálás.

A Voxtral kiejtésének mestere

A Voxtral nyers szövegből generál természetes beszédet, ami tökéletesen működik szabványos narratívák vagy párbeszédek esetén. A kihívások akkor jelentkeznek, amikor a szöveg nem prózai elemeket tartalmaz: telefonszámokat, mozaikszavakat, dátumokat és százalékos értékeket. A bevitt szöveged az egyetlen vezérlő mechanizmusod – nincs lehetőség jelölőnyelvi elemek hozzáadására. Ahogy írsz, úgy szólal meg a hang. Ez a lecke azokat a technikákat mutatja be, amelyek megkülönböztetik a profi üzenetet a hozzávetőleges felolvasástól.

Számok leírása kiejtés szerint

A modell következetlenül értelmezi a számjegyeket, így az eredmények nehezen előrejelezhetők. A szabály egyszerű: a szintézisre szánt szövegben a számokat pontosan úgy írd le, ahogy egy rádióbemondó felolvasná őket.

Írd eztNe írd eztMiért
”two thousand twenty-six""2026”A modell esetleg „twenty twenty-six“-nek ejti
”zero one, forty-two, thirty-seven""01 42 37”A telefonszám helytelen kiejtése
”fifteen point five percent""15.5%“A % jelet nem értelmezi
”three forty-five""3:45”Többértelmű, rövidített formátum

Figyeld meg a telefonszámok kezelését: a vesszők nem díszítőelemek. Kétjegyű csoportosítást kényszerítenek ki, és azt a sztagkátó ritmust hozzák létre, amelyet az emberek természetesen használnak számok diktálásakor.

Mozaikszavak és rövidítések

A rövidítések hasonló problémákat vetnek fel, egy árnyalattal: néha kiírva szeretnéd őket, máskor betűzve. Egy nyers mozaikszót a modell szóként ejthet ki, ami ügyetlen eredményt szül az ügyfeleknek szánt üzenetekben.

# Rossz: a modell a "sarl"-t szóként ejtheti ki
input_bad = "Our SARL is based in Paris."

# Jó: explicit kiejtés
input_good = "Our Société à Responsabilité Limitée is based in Paris."

# Alternatíva betűnkénti mozaikszavakhoz
input_acronym = "Our S.A.R.L. is based in Paris."

A harmadik forma a legfontosabb tanulság: minden betű közé pontot téve kikényszeríted a betűnkénti olvasást. Használd ezt foglalási kódoknál, rendszámoknál vagy azonosítóknál, amelyeket a hallgatónak le kell jegyeznie.

Szüneteltetés írásjelekkel

Külön jelölőnyelv hiányában az írásjelek vezérlik a csendet. A vessző rövid szünetet (~200 ms) hoz létre; a pont közepeset (~500 ms); a három pont hosszú lélegzetvételnyi szünetet (~800 ms); a gondolatjel pedig drámai szünetet szab, olyat, amit egy reveláció előtt tartasz.

# Szöveg vezérelt szünetekkel
text = (
    "Ladies and gentlemen... "
    "welcome to this conference. "
    "Today, we will discuss — "
    "a topic that will change how you work."
)

A beszédsebesség elsősorban a referenciamintától függ: egy gyors forráshang gyors szintetikus hangot eredményez. Azonban a szöveggel is befolyásolhatod azt. Az írásjelek hozzáadása lassítja a tempót és levegősebbé teszi a tartalmat; a vesszők elhagyása és a mondatok rövidítése pedig felgyorsítja. Egy szó hangsúlyozásához írd csupa nagybetűvel – „This is ABSOLUTELY essential“ –, és hangsúlyt kapsz anélkül, hogy hozzáérnél a hangfájlhoz.

Hosszú szövegek darabolása

A Voxtral 2 dokumentációja azt javasolta, hogy a legjobb eredmények érdekében kérésenként maradj 300 szó alatt. A Voxtral TTS 3 dokumentációja nem szab meg szigorú limitet, de figyelmeztet, hogy egy hosszú mondat elé helyezett érzelemcímke levághatja a hangot egy vesszőnél. A darabolás továbbra is bevált gyakorlat.

A megoldás a szöveg 200–300 szavas szegmensekre osztása, soha nem mondat közepén. Egy természetellenes határon történő vágás azonnal hallható. Az alábbi függvény csak akkor zár le egy szegmenst, ha a szó ponttal végződik.

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

# Használat
long_text = "..."  # A teljes szöveged
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",
    )
    # Minden szegmens mentése

Mit távolíts el a szövegből

Bizonyos karakterek súlyosan megzavarják a generálást. Az emojik nem támogatottak: a modell figyelmen kívül hagyja őket, vagy véletlenszerűen értelmezi. A HTML-címkéket és a Markdownot szövegként olvassa fel, ami a CMS-ből másolt tartalmat értelmetlenné teszi. Az URL-eket karakterről karakterre betűzi, beleértve a perjeleket és a pontokat is. A programozási szimbólumokat – kapcsos zárójelek, szögletes zárójelek, nyilak – félreértelmezi. A megoldás a természetes nyelvre való átfogalmazás:

# Rossz
input_bad = "Visit https://mistral.ai to learn more 🎉"

# Jó
input_good = "Visit mistral dot ai to learn more."

Szoktasd rá magad, hogy minden adatbázisból vagy weboldalról származó tartalmat futtass át egy tisztító függvényen az API-hívás előtt. Olcsóbb, mint órányi hanganyagot meghallgatni egy elfelejtett emoji miatt.

Többnyelvű szövegek

Egy eset magától megoldódik: a nyelvváltás. A Voxtral érzékeli a változásokat, és annotáció nélkül alkalmazkodik a kiejtéshez.

mixed_text = (
    "Welcome to our presentation. "
    "As we say in English, the sky is the limit. "
    "Willkommen bei unserer Vorstellung."
)

A minőség optimális marad, amíg a használt nyelvek szerepelnek a Voxtral TTS 3 által támogatott 35 nyelv között. Ezen túl a kiejtés hihető marad, de a hangsúly elcsúszik, amit egy anyanyelvi hallgató azonnal észrevesz.

A hang irányítása a Voxtral TTS 3-mal

A Voxtral TTS 3 három vezérlőkart ad hozzá, amelyeket közvetlenül a kérésbe írhatsz.

Az érzelem- és tempócímkék az input mezőbe kerülnek, szögletes zárójelben, az érintett szöveg előtt: [emotion=calm], [emotion=happy], [pace=slow] vagy [pace=fast]. Ezeket a rendszer nem olvassa fel, a következő címkéig érvényesek, és kombinálhatók ([emotion=calm][pace=slow]). Harmincnégy érzelem dokumentált, az amused-től a wistful-ig. A Voxtral 2-nél az érzelem a hangvariáns kiválasztásával (gb_jane_sad) működött; ezek a variánsok továbbra is támogatottak.

Az expressiveness (kifejezőerő) 1,0 és 5,0 között állítható, és azt szabályozza, mennyire követi erőteljesen a beszéd a kérésedet: a magasabb értékek több érzelmet hoznak ki a hangból a hanghűség csökkenése árán. Kezdd az alapértelmezettel, növeld, ha az érzelem nem jön át elég erősen, és csökkentsd, ha az előadás kényszeredettnek hat.

A phoneme_hints rögzíti egy szó kiejtését – márkanév, mozaikszó – egy 50 elemből álló zárt halmazból származó fonémák listáján keresztül (egy ismeretlen fonéma 422-es hibát eredményez).

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))

Két óvintézkedés a dokumentációból: egy hosszú mondat elé helyezett címke levághatja a hangot egy vesszőnél – tartsd rövidebbre a címkézett mondatokat –, és a természetes nyelvi stílusú utasítások (instruction) nem érhetők el a Voxtral TTS 3 indulásakor.

Főbb megállapítások

  • Írd ki betűvel a számokat és rövidítéseket a helyes kiejtés érdekében
  • Használj írásjeleket a szünetek vezérlésére (vessző, pont, három pont)
  • Oszt fel hosszú szövegeket teljes mondatoknál végződő szegmensekre
  • Kerüld az emojikat, HTML-t, URL-eket és kódot a bemeneti szövegben
  • A Voxtral TTS 3 kezeli a többnyelvű szöveget a 35 támogatott nyelvén; a nyelvet a hang hordozza
  • A [emotion=…] és [pace=…] címkék, az expressiveness és a phoneme_hints irányítják a hangot a Voxtral TTS 3-ban