Valdymas ir tarimas
Šiame puslapyje
Kursas atnaujintas 2026 m. lapkričio 3 d. Voxtral TTS 3 versijai, remiantis Migrate from Voxtral 2 gairėmis ir Mistral Text to Speech puslapiais:
voxtral-mini-tts-2603, pasenęs 2026 m. spalio 31 d. ir pašalintas 2027 m. balandžio 30 d., pavyzdžiuose pakeistas įvoxtral-mini-tts-3-0. Voxtral 2 iš anksto nustatyti balsai (gb_jane_neutral…) vis dar palaikomi; Voxtral 3 prideda[emotion=…]ir[pace=…]žymas tekste,expressivenessnustatymą, pasirinktinį tarimą (phoneme_hints) ir 35 kalbas. Mistral rekomenduoja po migracijos iš naujo išmatuoti delsą. Šaltiniai: Migrate from Voxtral 2 · Speech generation.
Kaip valdyti tai, ką ištaria Voxtral
Voxtral generuoja natūralią kalbą iš gryno teksto, kas puikiai tinka standartiniams pasakojimams ar dialogams. Iššūkių kyla su elementais, kurie nėra proza: telefono numeriais, santrumpomis, datomis ir procentais. Jūsų įvesties tekstas tampa vieninteliu valdymo mechanizmu – nėra jokios žymėjimo kalbos, kurią galėtumėte pridėti. Tai, kaip rašote, lemia balsinį rezultatą. Šioje pamokoje aptarsime technikas, kurios atskiria profesionalų pranešimą nuo apytikslio skaitymo.
Skaičių rašymas taip, kaip jie tariami
Modelis skaitmenis interpretuoja nepastoviai, todėl rezultatus sunku numatyti. Taisyklė paprasta: tekste, skirtame sintezei, skaičius rašykite tiksliai taip, kaip juos perskaitytų radijo laidų vedėjas.
| Rašykite | Nerašykite | Kodėl |
|---|---|---|
| ”two thousand twenty-six" | "2026” | Modelis gali tarti „twenty twenty-six“ |
| “zero one, forty-two, thirty-seven" | "01 42 37” | Telefono numeris ištariamas neteisingai |
| ”fifteen point five percent" | "15.5%” | % simbolis neinterpretuojamas |
| ”three forty-five" | "3:45” | Dviprasmiškas sutrumpintas formatas |
Atkreipkite dėmesį į telefono numerių apdorojimą: kableliai nėra dekoratyviniai. Jie užtikrina grupavimą po du skaitmenis ir stakato ritmą, kurį žmonės natūraliai naudoja diktuodami numerį.
Santrumpos ir trumpiniai
Santrumpos kelia panašias problemas, tačiau su niuansu: kartais norite jas išplėsti, kitais kartais – ištarti raidėmis. Gryna santrumpa gali būti ištarta kaip žodis, sukuriant nepatogius rezultatus klientams skirtuose pranešimuose.
# Blogai: modelis gali ištarti „sarl“ kaip žodį
input_bad = "Our SARL is based in Paris."
# Gerai: aiškus tarimas
input_good = "Our Société à Responsabilité Limitée is based in Paris."
# Alternatyva raidėmis tariamoms santrumpoms
input_acronym = "Our S.A.R.L. is based in Paris."
Trečioji forma yra pagrindinė išvada: taško įterpimas tarp kiekvienos raidės verčia tarti jas raidė po raidės. Naudokite tai rezervacijos kodams, valstybiniams numeriams ar identifikatoriams, kuriuos klausytojai turi užsirašyti.
Skyryba kvėpavimui valdyti
Neturint specialios žymėjimo kalbos, skyrybos valdo tylos momentus. Kablelis sukuria trumpą pauzę (~200 ms); taškas – vidutinę pauzę (~500 ms); daugtaškis – ilgą įkvėpimą (~800 ms); o brūkšnys nustato dramatišką pauzę, tokią, kurią darote prieš atskleisdami ką nors svarbaus.
# Tekstas su valdomomis pauzėmis
text = (
"Ladies and gentlemen... "
"welcome to this conference. "
"Today, we will discuss — "
"a topic that will change how you work."
)
Kalbos tempas pirmiausia priklauso nuo etaloninio pavyzdžio: greitas šaltinio balsas sukuria greitą sintetinį balsą. Tačiau galite jį paveikti tekstu. Skyrybos ženklų pridėjimas sulėtina tempą ir „praleidina“ turinį; kablelių šalinimas ir sakinių trumpinimas jį pagreitina. Norėdami pabrėžti žodį, rašykite jį DIDŽIOSIOMIS RAIDĖMIS – „This is ABSOLUTELY essential“ – ir gausite pabrėžimą neliesdami garso įrašo.
Ilgų tekstų skaidymas
Voxtral 2 dokumentacijoje buvo rekomenduojama vienam užklausimui naudoti ne daugiau kaip 300 žodžių, kad rezultatai būtų geriausi. Voxtral TTS 3 dokumentacijoje nėra nustatyta griežto limito, tačiau įspėjama, kad emocijos žyma, patalpinta prieš ilgą sakinį, gali nutraukti garso įrašą ties kableliu. Skaidymas išlieka geriausia praktika.
Sprendimas – skaidyti tekstą į 200–300 žodžių segmentus, niekada nepjaunant sakinio viduryje. Kirpimas nenatūralioje vietoje yra iškart girdimas. Toliau pateikta funkcija segmentą užbaigia tik tada, kai žodis baigiasi tašku.
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
# Naudojimas
long_text = "..." # Jūsų visas tekstas
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",
)
# Išsaugoti kiekvieną segmentą
Ką reikia pašalinti iš teksto
Tam tikri simboliai smarkiai sutrikdo generavimą. Emodžiai nepalaikomi: modelis jų nepaiso arba interpretuoja atsitiktinai. HTML žymos ir Markdown yra tariami kaip tekstas, paversdami iš CMS nukopijuotą turinį beprasmybe. URL adresai tariami raidė po raidės, įskaitant pasviruosius brūkšnius ir taškus. Programavimo simboliai – skliaustai, laužtiniai skliaustai, rodyklės – interpretuojami neteisingai. Sprendimas – performuluoti natūralia kalba:
# Blogai
input_bad = "Visit https://mistral.ai to learn more 🎉"
# Gerai
input_good = "Visit mistral dot ai to learn more."
Įpraskite bet kokį turinį iš duomenų bazės ar svetainės prieš siunčiant API užklausą perduoti per valymo funkciją. Tai kainuoja mažiau nei klausytis valandų garso įrašų ieškant pamiršto emodžio.
Daugiakalbiai tekstai
Vienas atvejis išsprendžiamas savaime: kalbų maišymas. Voxtral aptinka pokyčius ir pritaiko tarimą nereikalaudamas papildomų anotacijų.
mixed_text = (
"Welcome to our presentation. "
"As we say in English, the sky is the limit. "
"Willkommen bei unserer Vorstellung."
)
Kokybė yra optimali, tol, kol naudojamos kalbos yra tarp 35 Voxtral TTS 3 palaikomų kalbų. Už šių ribų tarimas lieka tikėtinas, tačiau akcentas nukrypsta, ką gimtakalbis klausytojas pastebi iškart.
Balso valdymas naudojant Voxtral TTS 3
Voxtral TTS 3 prideda tris valdymo svertus, rašomus tiesiai užklausoje.
Emocijų ir tempo žymos dedamos į input, laužtiniuose skliaustuose, prieš tekstą, kuriam jos taikomos: [emotion=calm], [emotion=happy], [pace=slow] arba [pace=fast]. Jos netariamos, galioja iki kitos žymos ir gali būti derinamos ([emotion=calm][pace=slow]). Dokumentuojamos trisdešimt keturios emocijos – nuo amused iki wistful. Naudojant Voxtral 2, emocija buvo pasirenkama per balso variantus (gb_jane_sad); šie variantai vis dar palaikomi.
expressiveness, nuo 1.0 iki 5.0, nustato, kaip stipriai kalba seka jūsų prašymą: didesnės vertės išryškina daugiau emocijų, tačiau sumažina balso panašumą. Pradėkite nuo numatytojo nustatymo, didinkite, jei emocija nepakankamai išreiškiama, mažinkite, jei pateikimas skamba dirbtinai.
phoneme_hints pataiso žodžio tarimą – prekės ženklo, santrumpos – naudodamas fonemų sąrašą iš uždaro 50 fonemų rinkinio (nežinoma fonema grąžina 422 klaidą).
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))
Dvi atsargumo priemonės iš dokumentacijos: žyma, patalpinta prieš ilgą sakinį, gali nutraukti garso įrašą ties kableliu – laikykite pažymėtus sakinius trumpus – ir natūralios kalbos stiliaus instrukcijos (instruction) Voxtral TTS 3 paleidimo metu nėra prieinamos.
Svarbiausi punktai
- Išrašykite skaičius ir santrumpas, kad būtų teisingai ištariamos
- Naudokite skyrybos ženklus pauzėms valdyti (kablelis, taškas, daugtaškis)
- Ilgus tekstus skaidykite į segmentus, besibaigiančius pilnais sakiniais
- Venkite emodžių, HTML, URL adresų ir kodo įvesties tekste
- Voxtral TTS 3 apdoroja daugiakalbį tekstą visomis savo 35 kalbų; kalbą neša balsas
[emotion=…]ir[pace=…]žymos,expressivenessirphoneme_hintsvaldo balsą Voxtral TTS 3 sistemoje