Vezérlés és kiejtés
Ezen az oldalon
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-2603modell, amelyet 2026. október 31-én elavulttá nyilvánítottak és 2027. április 30-án vonnak vissza, a példákban avoxtral-mini-tts-3-0váltotta 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, azexpressivenessbeállítást, 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 ezt | Ne írd ezt | Miért |
|---|---|---|
| ”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, azexpressivenessés aphoneme_hintsirányítják a hangot a Voxtral TTS 3-ban