Aqbeż għall-kontenut ewlieni
Malti— Agħżel lingwa
Menu

Kontroll tat-Test u l-Pronunzja

Lezzjoni 11 / 14 Aġġornat 3 ta’ Novembru 2026 Zviluppatur
F'din il-paġna
  1. Tiggverna x’Jgħid Voxtral
  2. Kikteb in-Numri Kif Jintqalu
  3. Akronimi u Abbrevjazzjonijiet
  4. Il-Punteġġjatura għan-Nifs
  5. Qsim ta’ Testi Twal
  6. X’Għandek Tneħħi mit-Test
  7. Testi Multilingwi
  8. Id-Direzzjoni tal-Vuċi ma’ Voxtral TTS 3
  9. Punti Ewlenin

Kors aġġornat fit-3 ta’ Novembru 2026 għal Voxtral TTS 3, ibbażat fuq il-gwida Migrate from Voxtral 2 u l-paġni Text to Speech ta’ Mistral: voxtral-mini-tts-2603, deprekat fil-31 ta’ Ottubru 2026 u rtirat fit-30 ta’ April 2027, huwa mibdul fl-eżempji b’voxtral-mini-tts-3-0. Il-vuċijiet predefiniti ta’ Voxtral 2 (gb_jane_neutral…) jibqgħu appoġġjati; Voxtral 3 iżid it-tags [emotion=…] u [pace=…] fit-test, is-setting expressiveness, il-pronunzja personalizzata (phoneme_hints), u 35 lingwa. Mistral jirrakkomanda li terġa’ tkejjel il-latency wara l-migrazzjoni. Sorsi: Migrate from Voxtral 2 · Speech generation.

Tiggverna x’Jgħid Voxtral

Voxtral jiġġenera kliem naturali minn test mhux ipproċessat, li jaħdem perfettament għal narrazzjonijiet jew djalogi standard. L-isfidi jfeġġu ma’ elementi li mhumiex proża: numri tat-telefon, akronimi, dati, u perċentwali. It-test tal-input tiegħek isir l-uniku mekkaniżmu ta’ kontroll tiegħek—m’hemm l-ebda markup li tista’ żżid. Il-mod kif tikteb jiddetta r-riżultat vokali. Din il-lezzjoni tkopri t-tekniki li jifirdu messaġġ professjonali minn qari approssimattiv.

Kikteb in-Numri Kif Jintqalu

Il-mudell jinterpreta ċ-ċifri b’mod inkonsistenti, u jagħmel ir-riżultati diffiċli biex tbassarhom. Ir-regola hija sempliċi: fit-test maħsub għas-sinteżi, ikteb in-numri eżattament kif preżentatur tar-radju jaqrahom.

IktebTiktebxGħaliex
”two thousand twenty-six""2026”Il-mudell jista’ jgħid “twenty twenty-six"
"zero one, forty-two, thirty-seven""01 42 37”Numru tat-telefon mispronunzjat
”fifteen point five percent""15.5%“Is-simbolu % ma jiġix interpretat
”three forty-five""3:45”Format abbrevjat ambigwu

Innota t-trattament tan-numru tat-telefon: il-virgoli mhumiex dekorattivi. Huma jinfurzaw raggruppament ta’ żewġ ċifri u r-ritmu stakkato li l-bnedmin jużaw naturalment meta jdictjaw numru.

Akronimi u Abbrevjazzjonijiet

L-abbrevjazzjonijiet ipoġġu problemi simili, b’nuansa: xi drabi tridhom espansi, f’drabi oħra miktuba ittra b’ittra. Akronimu mhux ipproċessat jista’ jiġi pronunzjat bħala kelma, u joħloq riżultati awkward f’messaġġi diretti lejn il-klijenti.

# Ħażin: il-mudell jista' jpronunzja "sarl" bħala kelma
input_bad = "Our SARL is based in Paris."

# Tajjeb: pronunzja espliċita
input_good = "Our Société à Responsabilité Limitée is based in Paris."

# Alternattiva għal akronimi ittra b'ittra
input_acronym = "Our S.A.R.L. is based in Paris."

It-tielet forma hija l-punt ewlieni: li tpoġġi punt bejn kull ittra tiforza qara ittra b’ittra. Uża dan għal kodiċijiet ta’ riżerva, pjanċi tal-liċenzja, jew identifikaturi li l-ascoltaturi jeħtieġu jinnotaw.

Il-Punteġġjatura għan-Nifs

Mingħajr markup dedikat, il-punteġġjatura tikkontrolla s-silenzju. Virgola toħloq pausa qasira (~200 ms); punt, pausa medja (~500 ms); tliet punti (ellipsis), nifs twil (~800 ms); u dash twil (em dash) jistabbilixxi pausa drammatika, dik li tpoġġi qabel rivelazzjoni.

# Test b'pausi kkontrollati
text = (
    "Ladies and gentlemen... "
    "welcome to this conference. "
    "Today, we will discuss — "
    "a topic that will change how you work."
)

Ir-rata tal-kliem tiġi primarjament mill-kampjun ta’ referenza: vuċi sors mgħaġġla tipproduċi vuċi sintetika mgħaġġla. Madankollu, tista’ tinfluwenza dan permezz tat-test. Iż-żieda tal-punteġġjatura tbaxxi r-rata u tagħti arja lill-kontenut; it-tneħħija tal-virgoli u t-tqassir tas-sentenzi jħaffuh. Biex tenfasizza kelma, iktebha b’ITTRI KOLLHA KAPITALI—“This is ABSOLUTELY essential”—u tikseb enfasi mingħajr ma tmiss l-awdjo.

Qsim ta’ Testi Twal

Id-dokumentazzjoni ta’ Voxtral 2 kienet tirrakkomanda li tibqa’ taħt il-300 kelma għal kull talba għall-aħjar riżultati. Id-dokumentazzjoni ta’ Voxtral TTS 3 ma tistabbilixxix limitu iebsu iżda twissi li tagg tal-emozzjoni mqiegħed qabel sentenza twila jista’ jaqta’ l-awdjo f’virgola. Il-qsim jibqa’ l-aħjar prattika.

Is-soluzzjoni hija li taqsam f’segmenti ta’ 200–300 kelma, qatt f’nofs sentenza. Qtugħ f’limitu mhux naturali jinstema’ minnufih. Il-funzjoni li ġejja tagħlaq segment biss wara kelma li tispiċċa b’punt.

def split_text(text, max_words=250):
    """Taqsam it-test f'segmenti ta' max_words kelma."""
    words = text.split()
    segments = []
    current_segment = []

    for word in words:
        current_segment.append(word)
        # Aqsam fis-sentenzi (wara punt)
        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

# Użu
long_text = "..."  # It-test sħiħ tiegħek
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",
    )
    # Ikkonserva kull segment

X’Għandek Tneħħi mit-Test

Ċerti karattri jfixklu serjament il-ġenerazzjoni. L-emojis mhumiex appoġġjati: il-mudell jinjorahom jew jinterpretahom b’mod każwali. It-tags HTML u l-Markdown jiġu pronunzjati bħala test, u jbiddlu kontenut ikkupjat minn CMS f’bla sens. L-URLs jiġu spelled ittra b’ittra, inklużi l-islashes u l-punti. Is-simboli tal-ipprogrammar—parentesi, bracketi, vleġeġ—jiġu interpretati ħażin. Is-soluzzjoni hija r-riformulazzjoni f’lingwa naturali:

# Ħażin
input_bad = "Visit https://mistral.ai to learn more 🎉"

# Tajjeb
input_good = "Visit mistral dot ai to learn more."

Agħmilha drawwa li tgħaddi kwalunkwe kontenut minn database jew website permezz ta’ funzjoni ta’ tindif qabel is-sejħa tal-API. Dan jiswew inqas milli tisma’ sigħat ta’ awdjo biex issib emoji minsija.

Testi Multilingwi

Każ wieħed isolvi ruħu: it-taħlit tal-lingwi. Voxtral jiskopri l-bidliet u jadatta l-pronunzja mingħajr ma jeħtieġ annotazzjoni.

mixed_text = (
    "Welcome to our presentation. "
    "As we say in English, the sky is the limit. "
    "Willkommen bei unserer Vorstellung."
)

Il-kwalità hija ottimali sakemm il-lingwi użati jkunu fost is-35 lingwa appoġġjata ta’ Voxtral TTS 3. Lil hinn minn hekk, il-pronunzja tibqa’ plawżibbli iżda l-aċċent jidderanja, li ascoltatur nattiv jinnotah minnufih.

Id-Direzzjoni tal-Vuċi ma’ Voxtral TTS 3

Voxtral TTS 3 iżid tliet lievi ta’ kontroll, miktuba direttament fit-talba.

Tags tal-emozzjoni u r-ritmu jmorru f’input, fi bracketi, qabel it-test li jaffettwaw: [emotion=calm], [emotion=happy], [pace=slow], jew [pace=fast]. Dawn ma jintqalux, japplikaw sakemm jintlaqa’ t-tag li jmiss, u jistgħu jiġu kkombinati ([emotion=calm][pace=slow]). Tnejn u tletin emozzjoni huma ddokumentati, minn amused sa wistful. Ma’ Voxtral 2, l-emozzjoni kienet tiġi permezz tal-għażla tal-varjant tal-vuċi (gb_jane_sad); dawn il-varjanti jibqgħu appoġġjati.

expressiveness, minn 1.0 sa 5.0, jistabbilixxi kemm il-kliem isegwi t-talba tiegħek b’mod qawwi: valuri ogħla joħorġu aktar emozzjoni bl-ispiża ta’ tnaqqis fix-xebh tal-vuċi. Ibda bid-default, żid jekk l-emozzjoni ma tidhirx, naqqas jekk id-delivra tidher sfurzata.

phoneme_hints jiffissa l-pronunzja ta’ kelma—isem ta’ marka, akronimu—permezz ta’ lista ta’ fonemi minn sett magħluq ta’ 50 (fonema mhux magħrufa tirritorna żball 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))

Żewġ prekawzjonijiet mid-dokumentazzjoni: tagg imqiegħed qabel sentenza twila jista’ jaqta’ l-awdjo f’virgola—żomm is-sentenzi mmarkati qosra—u struzzjonijiet fl-istil tal-lingwa naturali (instruction) mhumiex disponibbli fit-tnedija ta’ Voxtral TTS 3.

Punti Ewlenin

  • Ispella n-numri u l-abbrevjazzjonijiet għal pronunzja korretta
  • Uża l-punteġġjatura biex tikkontrolla l-paushi (virgola, punt, tliet punti)
  • Aqsam testi twal f’segmenti li jispiċċaw f’sentenzi sħaħ
  • Evita emojis, HTML, URLs, u kodiċi fit-test tal-input
  • Voxtral TTS 3 jimmaniġġja test multilingwi fost il-35 lingwa tiegħu; il-lingwa tinġarr mill-vuċi
  • It-tags [emotion=…] u [pace=…], expressiveness, u phoneme_hints jidderieġu l-vuċi f’Voxtral TTS 3