Najlepsze praktyki dotyczące dźwięku
Na tej stronie
Kurs zaktualizowany 3 listopada 2026 r. dla Voxtral TTS 3, na podstawie przewodnika Migrate from Voxtral 2 oraz stron Mistral 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 przezvoxtral-mini-tts-3-0. Wstępnie zdefiniowane głosy Voxtral 2 (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 · Speech generation.
Jakość wejścia determinuje jakość wyjścia
Klonowanie głosu w Voxtral jest potężne, ale pozostaje całkowicie zależne od jakości dostarczonej próbki audio. Słabe nagranie da w rezultacie słaby syntetyczny głos – bez wyjątków i bez możliwości naprawienia tego później. Poniższe cztery zasady można wyrazić w jednym zdaniu, a jednak to one decydują o tym, czy głos będzie przyjemny dla słuchacza, czy też zostanie wyciszony po trzydziestu sekundach.
Zasada 1: Czyste audio
Środowisko nagrania ma kluczowe znaczenie, ponieważ model nie potrafi odróżnić Twojego głosu od otoczenia: uczy się wszystkiego. Stały szum tła – wentylacja, rozmowy w biurze typu open space, ruch uliczny za oknem – zostanie uchwycony i odtworzony w każdej generacji, nawet sześć miesięcy później przy całkowicie unrelated tekście. Pogłos powoduje ten sam problem: pusty pokój z twardymi powierzchniami, kafelkami lub dużymi oknami tworzy echo, które model wiernie odwzoruje; wybierz raczej pokój umeblowany lub z minimalną adaptacją akustyczną. Nawet bardzo cicha muzyka w tle zostanie wychwycona i wymieszana z głosem. Na koniec próbka musi zawierać tylko jednego mówcę: dwa nakładające się głosy dadzą wyniki niezdatne do użycia.
Nie masz studia? To nie koniec świata. Szafa pełna ubrań stanowi doskonały izolator akustyczny i spełnia rolę drogich paneli pochłaniających. Dobrej jakości mikrofon nagłowny w stylu podcastowym w zupełności wystarczy – różnica między nim a mikrofonem profesjonalnym jest znacznie mniejsza niż różnica między cichym a hałaśliwym pomieszczeniem. Nagrywaj przy zamkniętych oknach i wyłączonych powiadomieniach. Wyrobij sobie nawyk przeprowadzania 5-sekundowego testu, którego wysłuchasz przed właściwym nagraniem: właśnie wtedy odkryjesz wibrującą lodówkę lub klawiaturę leżącą zbyt blisko mikrofonu.
Zasada 2: Mów naturalnie
Model wychwytuje nie tylko barwę Twojego głosu, ale także Twój styl mówienia, i to tutaj wiele pierwszych prób kończy się niepowodzeniem. Stając przed mikrofonem, ludzie spontanicznie zaczynają artykułować jak prezenter wiadomości – a syntetyczny głos dziedziczy ten sztuczny ton, który brzmi fałszywie już w drugim zdaniu. Mów tak, jak robisz to na co dzień, nie forsuj dykcji ani nie zmieniaj swojego zwykłego tempa.
Obowiązuje też zasada odwrotna: płaskie, monotonne nagranie da w rezultacie monotonny głos. Zmień naturalnie intonację i utrzymuj stałe tempo – nie za szybko, bo model przegapi niuanse, i nie za wolno, bo otrzymasz głos brzmiący jakby był senny. Pamiętaj, że emocje zawarte w próbce bezpośrednio wpływają na emocje wygenerowanego głosu: jeśli nagrasz z entuzjazmem, syntetyczny głos będzie brzmiał entuzjastycznie; jeśli nagrasz spokojnie, będzie brzmiał spokojnie. Dobierz więc nastrój nagrania do zamierzonego zastosowania – narrator książki audio i agent wsparcia technicznego wymagają zupełnie innej energii.
Zasada 3: Unikaj słów-wypełniaczy
Słowa-wypełniacze, czyli te wypełniacze przerywające spontaniczną mowę, są wrogiem klonowania głosu. Unikaj pasożytniczych „yyy“, „eee“, „no więc“ i „tak jakby“, nie kaszl i nie odchrzątuj podczas nagrywania. Jeśli popełnisz błąd, zacznij od nowa, zamiast poprawiać w trakcie – fraza „przepraszam, zacznijmy jeszcze raz“ pozostanie w próbce.
Powód jest prosty: model nie potrafi odróżnić Twojego głosu od Twoich wahania. Traktuje je jako cechę Twojego stylu mówienia i odtwarza je w każdej generacji. Klient, który słyszy, że jego asystent głosowy systematycznie waha się w połowie zdania, nie pomyśli, że to błąd techniczny; uzna, że usługa jest niechlujna.
Zasada 4: Optymalny czas trwania
Jak wspomniano w poprzedniej lekcji, zalecany czas trwania to od 10 do 20 sekund, ale zakres ten wymaga doprecyzowania. Poniżej 5 sekund model nie ma wystarczającej ilości danych, aby wychwycić zmienność Twojego głosu, a wynik brzmi generycznie. Voxtral 2 odrzucał próbki dłuższe niż 30 sekund; Voxtral TTS 3 akceptuje nawet kilka minut, ale poza około dwudziestoma sekundami to raczej różnorodność mowy niż jej długość poprawia rezultat. Złotym środkiem jest zatem około 15–20 sekund zróżnicowanej, naturalnej mowy – różnorodność liczy się tak samo jak długość.
Trik wielojęzyczny
Oto zaawansowana technika odkryta przez użytkowników Voxtral: klonowanie międzyjęzykowe pozwala tworzyć ciekawe efekty akcentu. Zasada polega na dostarczeniu próbki w jednym języku, powiedzmy po francusku, a następnie wygenerowaniu mowy w innym, na przykład po angielsku. Jaki jest rezultat? Syntetyczny głos mówi po angielsku z francuskim akcentem oryginalnego mówcy.
# 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",
)
Rezultat brzmi dokładnie tak, jakby francuskojęzyczny mówca mówił po angielsku, zachowując swój naturalny akcent. Najbardziej oczywistym zastosowaniem jest sytuacja, gdy marki chcą utrzymać swoją tożsamość głosową w różnych językach: rzecznik francuskiej firmy zachowuje swoją sygnaturę dźwiękową w angielskiej wersji kampanii, zamiast być zastąpionym przez anonimowy głos.
Lista kontrolna przed nagraniem
Zanim przystąpisz do finalnego nagrania, sprawdź:
- Ciche środowisko (brak szumu tła, brak echa)
- Prawidłowe ustawienie mikrofonu (10–15 cm od ust)
- Wyłączone powiadomienia (telefon, komputer)
- Przygotowany skrypt lub przemyślany temat
- Zweryfikowany 5-sekundowy test
Kluczowe wnioski
- Czyste audio bez szumu tła i pogłosu jest niezbędne
- Mów naturalnie i ekspresyjnie – model wychwytuje Twój styl
- Unikaj słów-wypełniaczy („yyy“, „eee“), ponieważ zostaną one odtworzone
- Optymalny czas trwania to 15–20 sekund zróżnicowanej mowy
- Klonowanie międzyjęzykowe pozwala zachować akcent w innym języku