Controlo de Texto e Pronúncia
Nesta página
Curso atualizado a 3 de novembro de 2026 para o Voxtral TTS 3, com base no guia Migrate from Voxtral 2 e nas páginas Text to Speech da Mistral:
voxtral-mini-tts-2603, preterido a 31 de outubro de 2026 e desativado a 30 de abril de 2027, é substituído nos exemplos porvoxtral-mini-tts-3-0. As vozes predefinidas do Voxtral 2 (gb_jane_neutral…) continuam suportadas; o Voxtral 3 adiciona as etiquetas[emotion=…]e[pace=…]no texto, a definiçãoexpressiveness, a pronúncia personalizada (phoneme_hints) e 35 idiomas. A Mistral recomenda voltar a medir a latência após a migração. Fontes: Migrate from Voxtral 2 · Speech generation.
Dominar o Que o Voxtral Pronuncia
O Voxtral gera fala natural a partir de texto simples, o que funciona perfeitamente para narrativas ou diálogos padrão. Os desafios surgem com elementos que não são prosa: números de telefone, acrónimos, datas e percentagens. O seu texto de entrada torna-se o único mecanismo de controlo — não há nenhuma marcação para adicionar. A forma como escreve dita o resultado vocal. Esta lição abrange as técnicas que separam uma mensagem profissional de uma leitura aproximada.
Escrever Números Como São Falados
O modelo interpreta os dígitos de forma inconsistente, tornando os resultados difíceis de prever. A regra é simples: no texto destinado à síntese, escreva os números exatamente como um locutor de rádio os leria.
| Escreva | Não Escreva | Porquê |
|---|---|---|
| ”two thousand twenty-six" | "2026” | O modelo pode dizer “twenty twenty-six" |
| "zero one, forty-two, thirty-seven" | "01 42 37” | Número de telefone mal pronunciado |
| ”fifteen point five percent" | "15.5%“ | O símbolo % não é interpretado |
| ”three forty-five" | "3:45” | Formato abreviado ambíguo |
Note o tratamento do número de telefone: as vírgulas não são decorativas. Elas impõem o agrupamento de dois dígitos e o ritmo staccato que os humanos usam naturalmente ao ditar um número.
Acrónimos e Abreviaturas
As abreviaturas colocam problemas semelhantes, com uma nuance: por vezes quer que sejam expandidas, outras vezes soletradas. Um acrónimo em bruto pode ser pronunciado como uma palavra, criando resultados estranhos em mensagens dirigidas a clientes.
# Mau: o modelo pode pronunciar "sarl" como uma palavra
input_bad = "Our SARL is based in Paris."
# Bom: pronúncia explícita
input_good = "Our Société à Responsabilité Limitée is based in Paris."
# Alternativa para acrónimos letra por letra
input_acronym = "Our S.A.R.L. is based in Paris."
A terceira forma é a lição principal: inserir um ponto entre cada letra força a leitura letra por letra. Utilize isto para códigos de reserva, matrículas de veículos ou identificadores que os ouvintes precisem de anotar.
Pontuar para Respirar
Sem marcação dedicada, a pontuação controla o silêncio. Uma vírgula cria uma pausa curta (~200 ms); um ponto, uma pausa média (~500 ms); reticências, uma respiração longa (~800 ms); e um travessão define uma pausa dramática, do tipo que se coloca antes de uma revelação.
# Texto com pausas controladas
text = (
"Ladies and gentlemen... "
"welcome to this conference. "
"Today, we will discuss — "
"a topic that will change how you work."
)
A velocidade da fala provém principalmente da amostra de referência: uma voz de origem rápida produz uma voz sintética rápida. No entanto, pode influenciá-la através do texto. Adicionar pontuação desacelera o ritmo e areja o conteúdo; remover vírgulas e encurtar frases acelera-o. Para enfatizar uma palavra, escreva-a em MAIÚSCULAS — “This is ABSOLUTELY essential” — e obterá ênfase sem tocar no áudio.
Dividir Textos Longos
A documentação do Voxtral 2 recomendava manter-se abaixo de 300 palavras por pedido para obter os melhores resultados. A documentação do Voxtral TTS 3 não define um limite rígido, mas avisa que uma etiqueta de emoção colocada antes de uma frase longa pode truncar o áudio numa vírgula. Dividir continua a ser a melhor prática.
A solução é dividir em segmentos de 200 a 300 palavras, nunca a meio de uma frase. Um corte num limite não natural é imediatamente audível. A função seguinte só fecha um segmento após uma palavra que termine com um ponto.
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)
# Split at sentences (after a period)
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
# Usage
long_text = "..." # Your full text
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",
)
# Save each segment
O Que Remover do Texto
Certos caracteres perturbam severamente a geração. Os emojis não são suportados: o modelo ignora-os ou interpreta-os aleatoriamente. As etiquetas HTML e o Markdown são pronunciados como texto, transformando conteúdo copiado de um CMS em galimatias. Os URLs são soletrados caractere por caractere, incluindo barras e pontos. Os símbolos de programação — chavetas, parênteses retos, setas — são mal interpretados. A solução é a reformulação em linguagem natural:
# Mau
input_bad = "Visit https://mistral.ai to learn more 🎉"
# Bom
input_good = "Visit mistral dot ai to learn more."
Crie o hábito de submeter qualquer conteúdo proveniente de uma base de dados ou website a uma função de limpeza antes da chamada à API. Custa menos do que ouvir horas de áudio para detetar um emoji esquecido.
Textos Multilingues
Um caso resolve-se por si só: a mistura de idiomas. O Voxtral deteta as mudanças e adapta a pronúncia sem exigir anotação.
mixed_text = (
"Welcome to our presentation. "
"As we say in English, the sky is the limit. "
"Willkommen bei unserer Vorstellung."
)
A qualidade é ótima desde que os idiomas utilizados estejam entre os 35 suportados pelo Voxtral TTS 3. Para além disso, a pronúncia permanece plausível, mas o sotaque desvia-se, o que um ouvinte nativo deteta imediatamente.
Dirigir a Voz com o Voxtral TTS 3
O Voxtral TTS 3 adiciona três alavancas de controlo, escritas diretamente no pedido.
Etiquetas de emoção e ritmo vão em input, entre parênteses retos, antes do texto que afetam: [emotion=calm], [emotion=happy], [pace=slow] ou [pace=fast]. Não são faladas, aplicam-se até à próxima etiqueta e combinam-se ([emotion=calm][pace=slow]). Estão documentadas trinta e quatro emoções, de amused a wistful. Com o Voxtral 2, a emoção vinha através da seleção da variante da voz (gb_jane_sad); estas variantes continuam suportadas.
expressiveness, de 1.0 a 5.0, define com que força a fala segue o seu pedido: valores mais altos realçam mais emoção à custa de uma menor semelhança com a voz. Comece com o valor padrão, aumente se a emoção não se fizer sentir, diminua se a entrega soar forçada.
phoneme_hints corrige a pronúncia de uma palavra — um nome de marca, um acrónimo — através de uma lista de fonemas de um conjunto fechado de 50 (um fonema desconhecido devolve um erro 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))
Duas precauções da documentação: uma etiqueta colocada antes de uma frase longa pode truncar o áudio numa vírgula — mantenha as frases etiquetadas curtas — e as instruções de estilo em linguagem natural (instruction) não estão disponíveis no lançamento do Voxtral TTS 3.
Pontos-chave
- Escreva por extenso números e abreviaturas para uma pronúncia correta
- Utilize a pontuação para controlar as pausas (vírgula, ponto, reticências)
- Divida textos longos em segmentos que terminem em frases completas
- Evite emojis, HTML, URLs e código no texto de entrada
- O Voxtral TTS 3 gere texto multilingue nos seus 35 idiomas; o idioma é transportado pela voz
- As etiquetas
[emotion=…]e[pace=…],expressivenessephoneme_hintsdirigem a voz no Voxtral TTS 3