Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Controlo de Texto e Pronúncia

Aula 11 de 14 Atualizada a 3 de novembro de 2026 Programador
Nesta página
  1. Dominar o Que o Voxtral Pronuncia
  2. Escrever Números Como São Falados
  3. Acrónimos e Abreviaturas
  4. Pontuar para Respirar
  5. Dividir Textos Longos
  6. O Que Remover do Texto
  7. Textos Multilingues
  8. Dirigir a Voz com o Voxtral TTS 3
  9. Pontos-chave

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 por voxtral-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 definição expressiveness, 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.

EscrevaNão EscrevaPorquê
”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=…], expressiveness e phoneme_hints dirigem a voz no Voxtral TTS 3