Kontroll tat-Test u l-Pronunzja
F'din il-paġna
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-settingexpressiveness, 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.
| Ikteb | Tiktebx | Għaliex |
|---|---|---|
| ”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, uphoneme_hintsjidderieġu l-vuċi f’Voxtral TTS 3