Pāriet uz galveno saturu
Latviešu— Izvēlēties valodu
Izvēlne

Labākā prakse audio ierakstiem

Nodarbība 6 no 14 Atjaunota 2026. gada 3. novembris Programmētājs
Šajā lapā
  1. Ievades kvalitāte nosaka izvades kvalitāti
  2. 1. noteikums: Tīrs audio
  3. 2. noteikums: Runā dabiski
  4. 3. noteikums: Izvairies no pildvārdiem
  5. 4. noteikums: Optimālais ilgums
  6. Starpvalodu triks
  7. Kontrolsaraksts pirms ieraksta
  8. Galvenās atziņas

Kurss atjaunināts 2026. gada 3. novembrī priekš Voxtral TTS 3, balstoties uz Migrācija no Voxtral 2 rokasgrāmatu un Mistral Teksts uz runu lapām: voxtral-mini-tts-2603, kas deprecated 2026. gada 31. oktobrī un izslēgts 2027. gada 30. aprīlī, piemēros tiek aizstāts ar voxtral-mini-tts-3-0. Voxtral 2 iepriekš definētās balsis (gb_jane_neutral…) joprojām tiek atbalstītas; Voxtral 3 pievieno [emotion=…] un [pace=…] tagus tekstā, expressiveness iestatījumu, pielāgotu izrunu (phoneme_hints) un 35 valodas. Mistral iesaka pēc migrācijas veikt jaunu latentces mērīšanu. Avoti: Migrācija no Voxtral 2 · Runas ģenerēšana.

Ievades kvalitāte nosaka izvades kvalitāti

Voxtral balss klonēšana ir spēcīga, taču tā ir pilnībā atkarīga no tavas nodrošinātā audio parauga kvalitātes. Slikts ieraksts radīs sliktu sintētisko balsi – bez izņēmumiem un bez iespējām to vēlāk labot. Tālāk minētie četri noteikumi ir formulējami vienā teikumā, taču tieši tie atdala balsi, kuru cilvēkiem patīk klausīties, no tādas, ko viņi izslēdz pēc trīsdesmit sekundēm.

1. noteikums: Tīrs audio

Ieraksta vide ir kritiski svarīga, jo modelis nespēj atšķirt tavu balsi no apkārtējās vides: tas apgūst visu. Pastāvīgs fona troksnis – ventilācija, atvērta biroja telpas čalas, satiksme aiz loga – tiks ierakstīts un atskaņots katrā ģenerējumā, pat pēc sešiem mēnešiem pilnīgi citam tekstam. Atbalss rada tādu pašu problēmu: tukša telpa ar cietām virsmām, flīzēm vai lieliem logiem rada atbalsi, ko modelis precīzi reproducēs; dod priekšroku mēbelētai telpai vai minimālai akustiskai apstrādei. Pat ļoti klusa fona mūzika tiks uztverta un sajaukta ar balsi. Visbeidzot, paraugā jābūt tikai vienam runātājam: divas pārklājušās balsis rada nelietojamus rezultātus.

Nav studijas? Tas nav šķērslis. Skapis, kas piepildīts ar drēbēm, ir lielisks akustiskais izolators un veic to pašu darbu ko dārgi absorbējošie paneļi. Kvalitatīvs podkastu stila austiņu mikrofons ir vairāk nekā pietiekams – atšķirība starp to un profesionālu mikrofonu ir daudz mazāka nekā atšķirība starp klusu un trokšņainu telpu. Ieraksti pie aizvērtiem logiem un izslēgtiem paziņojumiem, un pieradini sevi veikt 5 sekunžu testa ierakstu, ko noklausies pirms galvenā ieraksta: tieši tad tu atklāsi vibrējošo ledusskapi vai tastatūru, kas atrodas pārāk tuvu mikrofonam.

2. noteikums: Runā dabiski

Modelis uztver ne tikai tavu tembru, bet arī runas stilu, un tieši šeit daudzi pirmie mēģinājumi izgāžas. Nokļūstot mikrofona priekšā, cilvēki spontāni sāk artikulēt kā ziņu diktors – un sintētiskā balss pārmanto šo mākslīgo toni, kas jau otrajā teikumā skan nepatiesi. Runā tā, kā parasti, nepiespiežot dikciju un nemainot savu ierasto tempu.

Apvērsums ir tikpat patiess: plakans, monotons ieraksts radīs monotonu balsi. Dabiski variē intonāciju un uzturi stabilu ritmu – ne pārāk ātri, jo modelis palaidīs garām nianses, un ne pārāk lēni, jo rezultāts skanēs miegains. Patur prātā, ka emocijas tavā paraugā tieši ietekmē ģenerētās balss emocijas: ja ierakstīsi ar entuziasmu, sintētiskā balss skanēs entuziasmiski; ja ierakstīsi mierīgi, tā skanēs mierīgi. Tāpēc izvēlies ieraksta noskaņu atbilstoši paredzētajam lietojumam – audiogrāmatu lasītājam un atbalsta aģentam nav vajadzīga vienāda enerģija.

3. noteikums: Izvairies no pildvārdiem

Pildvārdi, tie aizpildītāji, kas caurvij spontānu runu, ir balss klonēšanas ienaidnieki. Izvairies no parazītiskiem “mm”, “ēē”, “nu” un “tātad”, un neklepo, kā arī nenotīri kaklu ieraksta laikā. Ja pieļauj kļūdu, sāc no jauna, nevis labo procesu vidū – frāze “atvaino, ļauj man sākt no jauna” paliks paraugā.

Iemesls ir vienkāršs: modelis nespēj atšķirt tavu balsi no tavām vilcināšanās reizēm. Tas uztver tās kā tavas runas stila iezīmi un reproducē tās katrā ģenerējumā. Klients, kurš dzirdēs savu balss asistentu sistemātiski vilcināmies teikuma vidū, nedomās, ka tā ir kļūda; viņš domās, ka pakalpojums ir paviršs.

4. noteikums: Optimālais ilgums

Kā apskatīts iepriekšējā nodarbībā, ieteicamais ilgums ir 10 līdz 20 sekundes, taču šim diapazonam ir nepieciešamas nianses. Zem 5 sekundēm modelim nav pietiekami daudz datu, lai uztvertu tavas balss variācijas, un rezultāts skanēs vispārīgs. Voxtral 2 noraidīja paraugus, kas garāki par 30 sekundēm; Voxtral TTS 3 pieņem līdz pat dažām minūtēm, taču pārsniedzot aptuveni divdesmit sekundes, rezultātu uzlabo nevis garums, bet gan runas daudzveidība. Tāpēc optimālā zona ir aptuveni 15 līdz 20 sekundes daudzveidīgas, dabiskas runas – daudzveidība ir tikpat svarīga kā garums.

Starpvalodu triks

Lūk, avančēta tehnika, ko atklājuši Voxtral lietotāji: starpvalodu klonēšana ļauj radīt interesantus akcenta efektus. Princips ir nodrošināt paraugu vienā valodā, piemēram, franču, un pēc tam ģenerēt runu citā, piemēram, angļu. Rezultāts? Sintētiskā balss runā angļu valodā ar oriģinālā runātāja franču 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",
)

Rezultāts skan tieši tā, it kā franču valodas runātājs runātu angļu valodā ar savu dabisko akcentu. Acīmredzamākais pielietojums ir zīmoliem, kas vēlas saglabāt savu vokālo identitāti dažādās valodās: franču uzņēmuma pārstāvis saglabā savu skaņas signatūru kampaņas angļu versijā, nevis tiek aizstāts ar anonīmu balsi.

Kontrolsaraksts pirms ieraksta

Pirms sāc galīgo ierakstu, pārbaudi:

  • Klusa vide (nav fona trokšņu, nav atbalss)
  • Mikrofons novietots pareizi (10–15 cm attālumā no mutes)
  • Paziņojumi izslēgti (tālrunis, dators)
  • Sagatavots scenārijs vai ir skaidra tēma
  • 5 sekunžu tests validēts

Galvenās atziņas

  • Tīrs audio bez fona trokšņiem vai atbalss ir obligāts
  • Runā dabiski un izteiksmīgi – modelis uztver tavu stilu
  • Izvairies no pildvārdiem (“mm”, “ēē”), jo tie tiks reproducēti
  • Optimālais ilgums ir 15 līdz 20 sekundes daudzveidīgas runas
  • Starpvalodu klonēšana ļauj saglabāt akcentu citā valodā