Contrôle du texte et prononciation
Šajā lapā
Cours mis à jour le 3 novembre 2026 pour Voxtral TTS 3, basé sur le guide Migrate from Voxtral 2 et les pages Text to Speech de Mistral :
voxtral-mini-tts-2603, déprécié le 31 octobre 2026 et retiré le 30 avril 2027, est remplacé dans les exemples parvoxtral-mini-tts-3-0. Les voix prédéfinies de Voxtral 2 (gb_jane_neutral…) restent prises en charge ; Voxtral 3 ajoute les balises[emotion=…]et[pace=…]dans le texte, le paramètreexpressiveness, la prononciation personnalisée (phoneme_hints) et 35 langues. Mistral recommande de remesurer la latence après la migration. Sources : Migrate from Voxtral 2 · Speech generation.
Maîtriser ce que Voxtral prononce
Voxtral génère une parole naturelle à partir de texte brut, ce qui fonctionne parfaitement pour des récits ou des dialogues standards. Les défis surgissent avec les éléments non narratifs : numéros de téléphone, acronymes, dates et pourcentages. Votre texte d’entrée devient votre seul mécanisme de contrôle : il n’y a aucun balisage à ajouter. La façon dont vous écrivez dicte le résultat vocal. Cette leçon couvre les techniques qui séparent un message professionnel d’une lecture approximative.
Écrire les nombres tels qu’ils sont prononcés
Le modèle interprète les chiffres de manière incohérente, rendant les résultats difficiles à prédire. La règle est simple : dans le texte destiné à la synthèse, écrivez les nombres exactement comme un présentateur radio les lirait.
| Écrire | Ne pas écrire | Pourquoi |
|---|---|---|
| ”two thousand twenty-six" | "2026” | Le modèle pourrait dire “twenty twenty-six" |
| "zero one, forty-two, thirty-seven" | "01 42 37” | Numéro de téléphone mal prononcé |
| ”fifteen point five percent" | "15.5%“ | Le symbole % n’est pas interprété |
| ”three forty-five" | "3:45” | Format abrégé ambigu |
Notez le traitement des numéros de téléphone : les virgules ne sont pas décoratives. Elles imposent un groupement par deux chiffres et le rythme staccato que les humains utilisent naturellement lorsqu’ils dictent un numéro.
Acronymes et abréviations
Les abréviations posent des problèmes similaires, avec une nuance : parfois vous voulez qu’elles soient développées, d’autres fois épelées. Un acronyme brut peut être prononcé comme un mot, créant des résultats maladroits dans des messages destinés aux clients.
# Mauvais : le modèle pourrait prononcer "sarl" comme un mot
input_bad = "Our SARL is based in Paris."
# Bon : prononciation explicite
input_good = "Our Société à Responsabilité Limitée is based in Paris."
# Alternative pour les acronymes lettre par lettre
input_acronym = "Our S.A.R.L. is based in Paris."
La troisième forme est l’enseignement clé : insérer un point entre chaque lettre force une lecture lettre par lettre. Utilisez ceci pour les codes de réservation, les plaques d’immatriculation ou les identifiants que les auditeurs doivent noter.
Ponctuer pour respirer
Sans balisage dédié, la ponctuation contrôle le silence. Une virgule crée une courte pause (~200 ms) ; un point, une pause moyenne (~500 ms) ; des points de suspension, une longue respiration (~800 ms) ; et un tiret cadratin établit une pause dramatique, celle que vous placez avant une révélation.
# Texte avec des pauses contrôlées
text = (
"Ladies and gentlemen... "
"welcome to this conference. "
"Today, we will discuss — "
"a topic that will change how you work."
)
Le débit de parole provient principalement de l’échantillon de référence : une voix source rapide produit une voix synthétique rapide. Cependant, vous pouvez l’influencer via le texte. Ajouter de la ponctuation ralentit le débit et aère le contenu ; supprimer les virgules et raccourcir les phrases l’accélère. Pour souligner un mot, écrivez-le EN MAJUSCULES — « This is ABSOLUTELY essential » — et vous obtenez l’emphase sans toucher à l’audio.
Découper les longs textes
La documentation de Voxtral 2 recommandait de rester sous les 300 mots par requête pour de meilleurs résultats. La documentation de Voxtral TTS 3 ne fixe aucune limite stricte mais avertit qu’une balise d’émotion placée avant une longue phrase peut tronquer l’audio au niveau d’une virgule. Le découpage reste donc une bonne pratique.
La solution consiste à diviser le texte en segments de 200 à 300 mots, jamais au milieu d’une phrase. Une coupure à une frontière non naturelle est immédiatement audible. La fonction suivante ne ferme un segment qu’après un mot se terminant par un point.
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
# Usage
long_text = "..." # Your full text
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",
)
# Save each segment
Ce qu’il faut retirer du texte
Certains caractères perturbent gravement la génération. Les émojis ne sont pas pris en charge : le modèle les ignore ou les interprète aléatoirement. Les balises HTML et le Markdown sont prononcés comme du texte, transformant le contenu copié depuis un CMS en charabia. Les URL sont épelées caractère par caractère, y compris les barres obliques et les points. Les symboles de programmation — accolades, crochets, flèches — sont mal interprétés. La solution est la reformulation en langage naturel :
# Mauvais
input_bad = "Visit https://mistral.ai to learn more 🎉"
# Bon
input_good = "Visit mistral dot ai to learn more."
Prenez l’habitude de faire passer tout contenu provenant d’une base de données ou d’un site web par une fonction de nettoyage avant l’appel API. Cela coûte moins cher que d’écouter des heures d’audio pour repérer un émoji oublié.
Textes multilingues
Un cas se résout de lui-même : le mélange de langues. Voxtral détecte les changements et adapte la prononciation sans nécessiter d’annotation.
mixed_text = (
"Welcome to our presentation. "
"As we say in English, the sky is the limit. "
"Willkommen bei unserer Vorstellung."
)
La qualité est optimale tant que les langues utilisées figurent parmi les 35 langues prises en charge par Voxtral TTS 3. Au-delà, la prononciation reste plausible mais l’accent dérive, ce qu’un auditeur natif repère immédiatement.
Diriger la voix avec Voxtral TTS 3
Voxtral TTS 3 ajoute trois leviers de contrôle, écrits directement dans la requête.
Les balises d’émotion et de rythme vont dans input, entre crochets, avant le texte qu’elles affectent : [emotion=calm], [emotion=happy], [pace=slow] ou [pace=fast]. Elles ne sont pas prononcées, s’appliquent jusqu’à la balise suivante et se combinent ([emotion=calm][pace=slow]). Trente-quatre émotions sont documentées, de amused à wistful. Avec Voxtral 2, l’émotion passait par la sélection de variantes de voix (gb_jane_sad) ; ces variantes restent prises en charge.
expressiveness, de 1,0 à 5,0, définit l’intensité avec laquelle la parole suit votre demande : des valeurs plus élevées font ressortir plus d’émotion au prix d’une moindre ressemblance vocale. Commencez par la valeur par défaut, augmentez-la si l’émotion ne passe pas, diminuez-la si le rendu semble forcé.
phoneme_hints corrige la prononciation d’un mot — un nom de marque, un acronyme — via une liste de phonèmes issus d’un ensemble fermé de 50 (un phonème inconnu renvoie une erreur 422).
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))
Deux précautions issues de la documentation : une balise placée avant une longue phrase peut tronquer l’audio au niveau d’une virgule — gardez les phrases balisées courtes — et les instructions de style en langage naturel (instruction) ne sont pas disponibles au lancement de Voxtral TTS 3.
Galvenās atziņas
- Épellez les nombres et les abréviations pour une prononciation correcte
- Utilisez la ponctuation pour contrôler les pauses (virgule, point, points de suspension)
- Découpez les longs textes en segments se terminant par des phrases complètes
- Évitez les émojis, le HTML, les URL et le code dans le texte d’entrée
- Voxtral TTS 3 gère le texte multilingue dans ses 35 langues ; la langue est portée par la voix
- Les balises
[emotion=…]et[pace=…],expressivenessetphoneme_hintsdirigent la voix dans Voxtral TTS 3