Migliori pratiche per l'audio
In questa pagina
Corso aggiornato il 3 novembre 2026 per Voxtral TTS 3, basato sulla guida Migrate from Voxtral 2 e sulle pagine Text to Speech di Mistral:
voxtral-mini-tts-2603, deprecato il 31 ottobre 2026 e ritirato il 30 aprile 2027, è sostituito negli esempi davoxtral-mini-tts-3-0. Le voci predefinite di Voxtral 2 (gb_jane_neutral…) rimangono supportate; Voxtral 3 aggiunge i tag[emotion=…]e[pace=…]nel testo, l’impostazioneexpressiveness, la pronuncia personalizzata (phoneme_hints) e 35 lingue. Mistral consiglia di misurare nuovamente la latenza dopo la migrazione. Fonti: Migrate from Voxtral 2 · Speech generation.
La qualità dell’input determina la qualità dell’output
Il cloning vocale di Voxtral è potente, ma dipende interamente dalla qualità del campione audio che fornisci. Una registrazione scadente produrrà una voce sintetica scadente, senza eccezioni e senza possibilità di correzione successiva. Le quattro regole seguenti possono essere espresse in una singola frase ciascuna, eppure sono ciò che separa una voce piacevole da ascoltare da una che viene silenziata dopo trenta secondi.
Regola 1: Audio pulito
L’ambiente di registrazione è fondamentale perché il modello non sa distinguere la tua voce dall’ambiente circostante: impara tutto. Il rumore di fondo costante — ventilazione, chiacchiere in ufficio open space, traffico dietro una finestra — verrà catturato e riprodotto in ogni generazione, anche sei mesi dopo su testi completamente diversi. La riverberazione causa lo stesso problema: una stanza vuota con superfici dure, piastrelle o grandi finestre crea un’eco che il modello riprodurrà fedelmente; preferisci una stanza arredata o un trattamento acustico minimo. Anche una musica di sottofondo molto flebile verrà captata e mescolata alla voce. Infine, il campione deve contenere un solo interlocutore: due voci sovrapposte producono risultati inutilizzabili.
Non hai uno studio? Non è un problema. Un armadio pieno di vestiti funge da eccellente isolante acustico e svolge il lavoro di costosi pannelli fonoassorbenti. Un microfono da cuffia di buona qualità, stile podcast, è più che sufficiente: il divario tra questo e un microfono professionale è molto inferiore a quello tra una stanza silenziosa e una rumorosa. Registra con le finestre chiuse e le notifiche disattivate, e prendi l’abitudine di eseguire un test di 5 secondi da ascoltare prima della registrazione finale: è in quel momento che scoprirai il frigorifero che vibra o la tastiera troppo vicina al microfono.
Regola 2: Parla naturalmente
Il modello cattura non solo il tuo timbro, ma anche il tuo stile di eloquio, ed è qui che molti primi tentativi falliscono. Di fronte a un microfono, le persone iniziano spontaneamente ad articolare come un presentatore del telegiornale — e la voce sintetica eredita quel tono affettato, che suona falso già dalla seconda frase. Parla come fai normalmente, senza forzare la dizione o alterare il tuo ritmo abituale.
Vale anche il contrario: una registrazione piatta e monotona produrrà una voce monotona. Varia l’intonazione in modo naturale e mantieni un ritmo costante — non troppo veloce, altrimenti il modello perde le sfumature, e non troppo lento, altrimenti otterrai una voce che sembra assonnata. Tieni presente che l’emozione nel tuo campione influenza direttamente l’emozione della voce generata: se registri con entusiasmo, la voce sintetica suonerà entusiasta; se registri con calma, suonerà calma. Scegli quindi l’umore della registrazione in base all’uso previsto: un narratore di audiolibri e un operatore di supporto non richiedono la stessa energia.
Regola 3: Evita le parole di riempimento
Le parole di riempimento, quei segnaposto che punteggiano il discorso spontaneo, sono il nemico del cloning vocale. Evita i parassiti “ehm”, “uh”, “beh” e “cioè”, e non tossire o schiarirti la gola durante la registrazione. Se sbagli, ricomincia dall’inizio invece di correggerti a metà frase: un “scusa, ricomincio” rimarrà nel campione.
La ragione è semplice: il modello non sa distinguere tra la tua voce e le tue esitazioni. Le tratta come una caratteristica del tuo stile di eloquio e le riproduce in ogni generazione. Un cliente che sente il proprio assistente vocale esitare sistematicamente a metà frase non penserà che sia un bug; penserà che il servizio sia approssimativo.
Regola 4: Durata ottimale
Come visto nella lezione precedente, la durata consigliata è di 10-20 secondi, ma questo intervallo merita una sfumatura. Sotto i 5 secondi, il modello non ha dati sufficienti per catturare le variazioni della tua voce e il risultato suona generico. Voxtral 2 rifiutava campioni superiori a 30 secondi; Voxtral TTS 3 accetta fino a qualche minuto, ma oltre una ventina di secondi circa, è la varietà del discorso piuttosto che la sua lunghezza a migliorare il risultato. Il punto ideale è quindi intorno ai 15-20 secondi di discorso vario e naturale: la varietà conta tanto quanto la lunghezza.
Il trucco cross-lingua
Ecco una tecnica avanzata scoperta dagli utenti di Voxtral: il cloning cross-lingua ti permette di creare interessanti effetti di accento. Il principio consiste nel fornire un campione in una lingua, ad esempio il francese, e poi generare un discorso in un’altra, ad esempio l’inglese. Il risultato? La voce sintetica parla inglese con l’accento francese dell’oratore originale.
# 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",
)
Il risultato suona esattamente come se l’oratore francese parlasse inglese, con il suo accento naturale. L’applicazione più ovvia è per i marchi che vogliono mantenere la propria identità vocale attraverso le lingue: un portavoce aziendale francese mantiene la propria firma sonora nella versione inglese di una campagna invece di essere sostituito da una voce anonima.
Checklist pre-registrazione
Prima di iniziare la registrazione finale, verifica:
- Ambiente silenzioso (nessun rumore di fondo, nessuna eco)
- Microfono posizionato correttamente (10–15 cm dalla bocca)
- Notifiche disattivate (telefono, computer)
- Script preparato o argomento in mente
- Test di 5 secondi validato
Punti chiave
- Un audio pulito, senza rumore di fondo né riverberazione, è essenziale
- Parla in modo naturale ed espressivo: il modello cattura il tuo stile
- Evita le parole di riempimento (“ehm”, “uh”) poiché verranno riprodotte
- La durata ottimale è di 15-20 secondi di discorso vario
- Il cloning cross-lingua ti permette di preservare un accento in un’altra lingua