Kontrola tekstu i wymowa
Na tej stronie
Kurs zaktualizowany 3 listopada 2026 r. dla Voxtral TTS 3, na podstawie przewodnika Migrate from Voxtral 2 oraz stron Mistrala dotyczących Text to Speech: model
voxtral-mini-tts-2603, wycofany 31 października 2026 r. i całkowicie usunięty 30 kwietnia 2027 r., został zastąpiony w przykładach modelemvoxtral-mini-tts-3-0. Predefiniowane głosy z Voxtral 2 (np.gb_jane_neutral…) są nadal obsługiwane; Voxtral 3 wprowadza tagi[emotion=…]i[pace=…]w tekście, ustawienieexpressiveness, niestandardową wymowę (phoneme_hints) oraz obsługę 35 języków. Mistral zaleca ponowne zmierzenie opóźnień po migracji. Źródła: Migrate from Voxtral 2 · Generowanie mowy.
Opanowanie tego, co wymawia Voxtral
Voxtral generuje naturalną mowę z surowego tekstu, co doskonale sprawdza się w przypadku standardowych narracji lub dialogów. Wyzwania pojawiają się przy elementach niebędących prozą: numerach telefonów, akronimach, datach i procentach. Twój tekst wejściowy staje się jedynym mechanizmem sterowania – nie ma możliwości dodania znaczników markupu. To, jak piszesz, dyktuje wynik głosowy. Lekcja ta omawia techniki, które odróżniają profesjonalną wiadomość od przybliżonego odczytu.
Zapisywanie liczb tak, jak są wymawiane
Model interpretuje cyfry niespójnie, co sprawia, że wyniki są trudne do przewidzenia. Zasada jest prosta: w tekście przeznaczonym do syntezy zapisuj liczby dokładnie tak, jak przeczytałby je prezenter radiowy.
| Zapisz | Nie zapisuj | Dlaczego |
|---|---|---|
| ”two thousand twenty-six" | "2026” | Model może powiedzieć “twenty twenty-six" |
| "zero one, forty-two, thirty-seven" | "01 42 37” | Błędna wymowa numeru telefonu |
| ”fifteen point five percent" | "15.5%“ | Symbol % nie jest interpretowany |
| ”three forty-five" | "3:45” | Niejednoznaczny format skrócony |
Zwróć uwagę na sposób obsługi numerów telefonów: przecinki nie są ozdobnikiem. Wymuszają grupowanie cyfr po dwie oraz staccato, którego ludzie naturalnie używają podczas dyktowania numeru.
Akronimy i skróty
Skróty stwarzają podobne problemy, z jednym niuansem: czasami chcesz, aby zostały rozwinięte, a innym razem wymówione litera po literze. Surowy akronim może zostać wymówiony jak zwykłe słowo, co prowadzi do niezręcznych rezultatów w wiadomościach skierowanych do klientów.
# Źle: model może wymówić "sarl" jako słowo
input_bad = "Our SARL is based in Paris."
# Dobrze: jawna wymowa
input_good = "Our Société à Responsabilité Limitée is based in Paris."
# Alternatywa dla akronimów wymawianych litera po literze
input_acronym = "Our S.A.R.L. is based in Paris."
Trzecia forma to kluczowy wniosek: wstawienie kropki między każdą literę wymusza czytanie litera po literze. Używaj tego dla kodów rezerwacyjnych, tablic rejestracyjnych lub identyfikatorów, które słuchacz musi zanotować.
Interpunkcja sterująca oddechem
Bez dedykowanych znaczników markupu, to interpunkcja kontroluje ciszę. Przecinek tworzy krótką pauzę (~200 ms); kropka – średnią pauzę (~500 ms); wielokropek – długi oddech (~800 ms); a myślnik em ustawia dramatyczną pauzę, taką jaką stosuje się przed ujawnieniem ważnej informacji.
# Tekst z kontrolowanymi pauzami
text = (
"Ladies and gentlemen... "
"welcome to this conference. "
"Today, we will discuss — "
"a topic that will change how you work."
)
Tempo mowy wynika przede wszystkim z próbki referencyjnej: szybki głos źródłowy daje szybki głos syntetyczny. Możesz jednak wpłynąć na nie poprzez tekst. Dodawanie interpunkcji spowalnia tempo i „przewietrza“ treść; usuwanie przecinków i skracanie zdań przyspiesza ją. Aby podkreślić słowo, zapisz je WIELKIMI LITERAMI – „This is ABSOLUTELY essential“ – i uzyskasz akcent bez dotykania pliku audio.
Dzielenie długich tekstów
Dokumentacja Voxtral 2 zalecała pozostawanie poniżej 300 słów na żądanie dla uzyskania najlepszych rezultatów. Dokumentacja Voxtral TTS 3 nie ustala sztywnego limitu, ale ostrzega, że tag emocji umieszczony przed długim zdaniem może spowodować ucięcie audio przy przecinku. Dzielenie tekstu pozostaje najlepszą praktyką.
Rozwiązaniem jest podział na segmenty liczące 200–300 słów, nigdy w połowie zdania. Cięcie w nienaturalnym miejscu jest natychmiast słyszalne. Poniższa funkcja zamyka segment dopiero po słowie kończącym się kropką.
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)
# Podział na zdania (po kropce)
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
# Użycie
long_text = "..." # Twój pełny tekst
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",
)
# Zapisz każdy segment
Co usunąć z tekstu
Niektóre znaki poważnie zakłócają generowanie. Emoji nie są obsługiwane: model je ignoruje lub interpretuje losowo. Tagi HTML i Markdown są wymawiane jako tekst, zamieniając treść skopiowaną z CMS w bełkot. Adresy URL są wymawiane litera po literze, łącznie z ukośnikami i kropkami. Symbole programistyczne – nawiasy klamrowe, kwadratowe, strzałki – są błędnie interpretowane. Rozwiązaniem jest przeformułowanie na język naturalny:
# Źle
input_bad = "Visit https://mistral.ai to learn more 🎉"
# Dobrze
input_good = "Visit mistral dot ai to learn more."
Wyrób sobie nawyk przepuszczania wszelkich treści z bazy danych lub strony internetowej przez funkcję czyszczącą przed wywołaniem API. Kosztuje to mniej niż słuchanie godzin audio w poszukiwaniu zapomnianego emoji.
Teksty wielojęzyczne
Jeden przypadek rozwiązuje się sam: mieszanie języków. Voxtral wykrywa zmiany i dostosowuje wymowę bez konieczności adnotacji.
mixed_text = (
"Welcome to our presentation. "
"As we say in English, the sky is the limit. "
"Willkommen bei unserer Vorstellung."
)
Jakość jest optymalna, o ile używane języki należą do 35 języków obsługiwanych przez Voxtral TTS 3. Poza tym wymowa pozostaje prawdopodobna, ale akcent zaczyna odbiegać od normy, co native speaker natychmiast wychwyci.
Sterowanie głosem w Voxtral TTS 3
Voxtral TTS 3 dodaje trzy dźwignie sterujące, zapisywane bezpośrednio w żądaniu.
Tagi emocji i tempa umieszcza się w polu input, w nawiasach, przed tekstem, którego dotyczą: [emotion=calm], [emotion=happy], [pace=slow] lub [pace=fast]. Nie są one wymawiane, obowiązują do pojawienia się kolejnego tagu i można je łączyć ([emotion=calm][pace=slow]). Udokumentowano trzydzieści cztery emocje, od amused do wistful. W Voxtral 2 emocje wybierano poprzez wariant głosu (gb_jane_sad); warianty te są nadal obsługiwane.
expressiveness, w zakresie od 1.0 do 5.0, określa, jak mocno mowa podąża za Twoim żądaniem: wyższe wartości wydobywają więcej emocji kosztem mniejszego podobieństwa do głosu źródłowego. Zacznij od wartości domyślnej, zwiększ ją, jeśli emocje nie przebijają, lub zmniejsz, jeśli wypowiedź brzmi sztucznie.
phoneme_hints naprawia wymowę konkretnego słowa – nazwy marki, akronimu – za pomocą listy fonemów z zamkniętego zestawu 50 elementów (nieznany fonem zwraca błąd 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))
Dwie ostrożności wynikające z dokumentacji: tag umieszczony przed długim zdaniem może spowodować ucięcie audio przy przecinku – utrzymuj oznaczone zdania krótkie – a instrukcje w stylu języka naturalnego (instruction) są niedostępne w momencie premiery Voxtral TTS 3.
Kluczowe wnioski
- Rozpisuj liczby i skróty, aby uzyskać poprawną wymowę
- Używaj interpunkcji do kontrolowania pauz (przecinek, kropka, wielokropek)
- Dziel długie teksty na segmenty kończące się pełnymi zdaniami
- Unikaj emoji, HTML, adresów URL i kodu w tekście wejściowym
- Voxtral TTS 3 obsługuje teksty wielojęzyczne w ramach swoich 35 języków; język jest niesiony przez głos
- Tagi
[emotion=…]i[pace=…], parametrexpressivenessorazphoneme_hintssterują głosem w Voxtral TTS 3