Geriausios garso įrašų praktikos
Šiame puslapyje
Kursas atnaujintas 2026 m. lapkričio 3 d. „Voxtral TTS 3“ versijai, remiantis Migracijos iš „Voxtral 2“ vadovu ir „Mistral“ Teksto pavertimo kalba 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. Iš anksto nustatyti „Voxtral 2“ balsai (gb_jane_neutral…) vis dar palaikomi; „Voxtral 3“ prideda[emotion=…]ir[pace=…]žymas tekste,expressivenessnustatymą, individualią tarimą (phoneme_hints) ir 35 kalbas. „Mistral“ rekomenduoja po migracijos iš naujo išmatuoti delsą. Šaltiniai: Migracija iš „Voxtral 2“ · Kalbos generavimas.
Įvesties kokybė lemia išvesties kokybę
„Voxtral“ balso klonavimas yra galingas, tačiau jis visiškai priklauso nuo tavo pateikiamo garso įrašo kokybės. Prastas įrašas sukurs prastą sintetinį balsą – be išimčių ir be galimybės tai vėliau ištaisyti. Toliau pateiktos keturios taisyklės gali būti suformuluotos vienu sakiniu, tačiau būtent jos atskiria balsą, kurį malonu klausyti, nuo tokio, kurį nutildai po trisdešimties sekundžių.
1 taisyklė: Švarus garso įrašas
Įrašymo aplinka yra kritiškai svarbi, nes modelis negali atskirti tavo balso nuo aplinkos: jis išmoksta viską. Nuolatinis foninis triukšmas – ventiliacija, pokalbiai atviro tipo biure, eismas už lango – bus užfiksuotas ir atkartojamas kiekvienoje generacijoje, net ir po šešių mėnesių naudojant visiškai nesusijusį tekstą. Aidas sukelia tą pačią problemą: tuščias kambarys kietais paviršiais, plytelėmis ar dideliais langais sukuria aidą, kurį modelis sąžiningai atkartos; rinkis baldais apstatytą kambarį arba minimalų akustinį apdorojimą. Net ir labai tyliai skambanti foninė muzika bus sugauta ir sumaišyta su balsu. Galiausiai, mėginyje turi būti tik vienas kalbėtojas: du persipynę balsai duoda nenaudojamus rezultatus.
Neturi studijos? Tai nėra problema. Spinta, pilna drabužių, yra puikus akustinis izoliatorius ir atlieka tą patį darbą kaip brangūs sugeriantys skydai. Kokybiška mikrofonu aprūpinta ausinė, skirta podkastams, yra daugiau nei pakankama – skirtumas tarp jos ir profesionalaus mikrofono yra daug mažesnis nei skirtumas tarp tylios ir triukšmingos patalpos. Įrašinėk uždaręs langus ir išjungęs pranešimus; įprask prieš galutinį įrašą paleisti 5 sekundžių testą ir jo paklausyti: būtent tada pastebėsi vibruojantį šaldytuvą arba per arti mikrofono esančią klaviatūrą.
2 taisyklė: Kalbėk natūraliai
Modelis fiksuoja ne tik tavo tembrą, bet ir kalbėjimo stilių, ir būtent čia žlunga daugelis pirmųjų bandymų. Atsidūręs prieš mikrofoną, žmogus instinktyviai pradeda artikuliuoti kaip naujienų diktorius – ir sintetinis balsas perima tą dirbtinį toną, kuris jau nuo antrojo sakinio skamba netikrai. Kalbėk taip, kaip įprastai, neversdamas savo dikcijos ir nekeisdamas įprasto tempo.
Galioja ir atvirkštinė taisyklė: plokščias, monotoniškas įrašas sukurs monotonišką balsą. Natūraliai keisk intonaciją ir laikykis pastovaus ritmo – ne per greitai, nes modelis praleis niuansus, ir ne per lėtai, nes gausi mieguistai skambantį balsą. Atmink, kad emocija tavo mėginyje tiesiogiai veikia sugeneruoto balso emociją: jei įrašinėsi su entuziazmu, sintetinis balsas skambės entuziastingai; jei ramiai – jis skambės ramiai. Todėl pasirink įrašymo nuotaiką pagal numatomą naudojimo būdą – garso knygų pasakotojui ir pagalbos agentui reikia skirtingos energijos.
3 taisyklė: Venk žodžių-parazitų
Žodžiai-parazitai, tie užpildai, kurie punktuacija spontanišką kalbą, yra balso klonavimo priešas. Venk parazitinių „hm“, „na“, „tai“ ir „va“, taip pat įrašymo metu nekosėk ir nevalyk gerklės. Jei suklysti, pradėk iš naujo nuo pradžių, o ne taisykis viduryje sakinio – frazė „atleiskite, pradėsiu iš naujo“ liks mėginyje.
Priežastis paprasta: modelis negali atskirti tavo balso nuo tavo dvejojimų. Jis juos traktuoja kaip tavo kalbėjimo stiliaus ypatybę ir atkuria kiekvienoje generacijoje. Klientas, girdintis savo balso asistentą sistemingai dvejojantį sakinio viduryje, manytų ne tai, kad tai klaida, o tai, kad paslauga yra nekokybiška.
4 taisyklė: Optimali trukmė
Kaip aptarta ankstesnėje pamokoje, rekomenduojama trukmė yra nuo 10 iki 20 sekundžių, tačiau šiam diapazonui reikia niuansų. Jei trukmė mažesnė nei 5 sekundės, modelis neturi pakankamai duomenų tavo balso variacijoms užfiksuoti, todėl rezultatas skamba bendrai. „Voxtral 2“ atmesdavo mėginius, ilgesnius nei 30 sekundžių; „Voxtral TTS 3“ priima iki kelių minučių, tačiau viršijus maždaug dvidešimt sekundžių, rezultatą gerina ne tiek trukmė, kiek kalbos įvairovė. Todėl aukso viduriukas yra apie 15–20 sekundžių įvairios, natūralios kalbos – įvairovė yra tokia pat svarbi kaip ir ilgis.
Tarpkalbinis triukas
Štai pažangus metodas, kurį atrado „Voxtral“ naudotojai: tarpkalbinis klonavimas leidžia sukurti įdomių akcento efektų. Principas toks: pateiki mėginį viena kalba, pavyzdžiui, prancūzų, o tada generuoji kalbą kita, pavyzdžiui, anglų. Rezultatas? Sintetinis balsas kalba angliškai su originalaus kalbėtojo prancūzišku akcentu.
# 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",
)
Rezultatas skamba lygiai taip, lyg prancūzakalbis kalbėtų angliškai savo natūraliu akcentu. Akivaizdžiausias pritaikymas – prekės ženklams, norintiems išlaikyti savo vokalinę tapatybę skirtingose kalbose: prancūzų įmonės atstovas spaudai išlaiko savo garsinę signature angliškoje kampanijos versijoje, o ne yra pakeičiamas anoniminiu balsu.
Kontrolinis sąrašas prieš įrašant
Prieš pradėdamas galutinį įrašą, patikrink:
- Tyliai aplinka (nėra foninio triukšmo, nėra aido)
- Teisingai pastatytas mikrofonas (10–15 cm nuo burnos)
- Išjungti pranešimai (telefone, kompiuteryje)
- Paruoštas scenarijus arba turima omenyje tema
- Patvirtintas 5 sekundžių testas
Svarbiausi punktai
- Būtinas švarus garso įrašas be foninio triukšmo ar aido
- Kalbėk natūraliai ir išraiškingai – modelis fiksuoja tavo stilių
- Venk žodžių-parazitų („hm“, „na“), nes jie bus atkartoti
- Optimali trukmė – 15–20 sekundžių įvairios kalbos
- Tarpkalbinis klonavimas leidžia išsaugoti akcentą kitoje kalboje