Controlul textului și al pronunției
Pe această pagină
Curs actualizat la 3 noiembrie 2026 pentru Voxtral TTS 3, pe baza ghidului Migrate from Voxtral 2 și a paginilor Text to Speech de la Mistral:
voxtral-mini-tts-2603, depreciat la 31 octombrie 2026 și retras la 30 aprilie 2027, este înlocuit în exemple prinvoxtral-mini-tts-3-0. Vocile predefinite din Voxtral 2 (gb_jane_neutral…) rămân suportate; Voxtral 3 adaugă etichetele[emotion=…]și[pace=…]în text, setareaexpressiveness, pronunția personalizată (phoneme_hints) și 35 de limbi. Mistral recomandă re-măsurarea latenței după migrare. Surse: Migrate from Voxtral 2 · Speech generation.
Stăpânirea a ceea ce pronunță Voxtral
Voxtral generează vorbire naturală din text brut, ceea ce funcționează perfect pentru narațiuni standard sau dialoguri. Provocările apar în cazul elementelor care nu fac parte din proză: numere de telefon, acronime, date și procente. Textul dumneavoastră de intrare devine singurul mecanism de control – nu există markup de adăugat. Modul în care scrieți dictează rezultatul vocal. Această lecție acoperă tehnicile care fac diferența dintre un mesaj profesionist și o citire aproximativă.
Scrierea numerelor așa cum sunt rostite
Modelul interpretează cifrele inconsistent, făcând rezultatele greu de prevăzut. Regula este simplă: în textul destinat sintezei, scrieți numerele exact așa cum le-ar citi un prezentator de radio.
| Scrieți | Nu scrieți | De ce |
|---|---|---|
| ”two thousand twenty-six" | "2026” | Modelul ar putea spune “twenty twenty-six" |
| "zero one, forty-two, thirty-seven" | "01 42 37” | Număr de telefon pronunțat greșit |
| ”fifteen point five percent" | "15.5%“ | Simbolul % nu este interpretat |
| ”three forty-five" | "3:45” | Format abreviat ambiguu |
Observați tratamentul numărului de telefon: virgulele nu sunt decorative. Ele impun gruparea pe două cifre și ritmul staccato pe care oamenii îl folosesc natural atunci când dictează un număr.
Acronime și abrevieri
Abrevierile pun probleme similare, cu o nuanță: uneori doriți să fie expandate, alteori epelate literă cu literă. Un acronim brut poate fi pronunțat ca un cuvânt, creând rezultate ciudate în mesajele adresate clienților.
# Rău: modelul ar putea pronunța "sarl" ca un cuvânt
input_bad = "Our SARL is based in Paris."
# Bine: pronunție explicită
input_good = "Our Société à Responsabilité Limitée is based in Paris."
# Alternativă pentru acronimele citite literă cu literă
input_acronym = "Our S.A.R.L. is based in Paris."
A treia formă este concluzia principală: inserarea unui punct între fiecare literă forțează citirea literă cu literă. Folosiți acest lucru pentru coduri de rezervare, numere de înmatriculare sau identificatori pe care ascultătorii trebuie să îi noteze.
Punctuația pentru respirație
Fără un markup dedicat, punctuația controlează tăcerea. O virgulă creează o pauză scurtă (~200 ms); un punct, o pauză medie (~500 ms); punctele de suspensie, o respirație lungă (~800 ms); iar linia de pauză (em dash) setează o pauză dramatică, genul pe care o plasați înainte de o revelație.
# Text cu pauze controlate
text = (
"Ladies and gentlemen... "
"welcome to this conference. "
"Today, we will discuss — "
"a topic that will change how you work."
)
Viteza de vorbire provine în primul rând din eșantionul de referință: o voce sursă rapidă produce o voce sintetică rapidă. Totuși, o puteți influența prin text. Adăugarea punctuației încetinește ritmul și aerisește conținutul; eliminarea virgulelor și scurtarea propozițiilor îl accelerează. Pentru a sublinia un cuvânt, scrieți-l cu MAJUSCULE – „This is ABSOLUTELY essential“ – și veți obține accentuare fără a atinge fișierul audio.
Divizarea textelor lungi
Documentația Voxtral 2 recomanda să rămâneți sub 300 de cuvinte per solicitare pentru cele mai bune rezultate. Documentația Voxtral TTS 3 nu stabilește o limită strictă, dar avertizează că o etichetă de emoție plasată înainte de o propoziție lungă poate trunchia audio la o virgulă. Divizarea rămâne o bună practică.
Soluția este divizarea în segmente de 200–300 de cuvinte, niciodată la mijlocul unei propoziții. O tăietură la o limită nefirească este imediat audibilă. Funcția următoare închide un segment doar după un cuvânt care se termină cu un punct.
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
# Utilizare
long_text = "..." # Textul dumneavoastră complet
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",
)
# Salvați fiecare segment
Ce trebuie eliminat din text
Anumite caractere perturbă grav generarea. Emoji-urile nu sunt suportate: modelul le ignoră sau le interpretează aleatoriu. Etichetele HTML și Markdown sunt pronunțate ca text, transformând conținutul copiat din CMS într-un nonsens. URL-urile sunt epelate caracter cu caracter, inclusiv barele oblice și punctele. Simbolurile de programare – acolade, paranteze drepte, săgeți – sunt interpretate greșit. Soluția este reformularea în limbaj natural:
# Rău
input_bad = "Visit https://mistral.ai to learn more 🎉"
# Bine
input_good = "Visit mistral dot ai to learn more."
Obișnuiți-vă să rulați orice conținut provenit dintr-o bază de date sau de pe un site web printr-o funcție de curățare înainte de apelul API. Costă mai puțin decât ascultarea a ore întregi de audio pentru a depista un emoji uitat.
Texte multilingve
Un caz se rezolvă de la sine: amestecul de limbi. Voxtral detectează schimbările și adaptează pronunția fără a necesita adnotări.
mixed_text = (
"Welcome to our presentation. "
"As we say in English, the sky is the limit. "
"Willkommen bei unserer Vorstellung."
)
Calitatea este optimă atâta timp cât limbile utilizate se numără printre cele 35 de limbi suportate de Voxtral TTS 3. Dincolo de aceasta, pronunția rămâne plauzibilă, dar accentul deviază, lucru pe care un vorbitor nativ îl observă imediat.
Dirijarea vocii cu Voxtral TTS 3
Voxtral TTS 3 adaugă trei pârghii de control, scrise direct în solicitare.
Etichetele de emoție și ritm merg în input, între paranteze pătrate, înainte de textul pe care îl afectează: [emotion=calm], [emotion=happy], [pace=slow] sau [pace=fast]. Acestea nu sunt rostite, se aplică până la următoarea etichetă și se pot combina ([emotion=calm][pace=slow]). Sunt documentate treizeci și patru de emoții, de la amused la wistful. Cu Voxtral 2, emoția venea prin selectarea variantei de voce (gb_jane_sad); aceste variante rămân suportate.
expressiveness, de la 1.0 la 5.0, stabilește cât de puternic urmează vorbirea solicitarea dumneavoastră: valorile mai mari evidențiază mai multă emoție, în detrimentul asemănării cu vocea originală. Începeți cu valoarea implicită, creșteți-o dacă emoția nu reiese, scădeți-o dacă livrarea sună forțat.
phoneme_hints fixează pronunția unui cuvânt – un nume de marcă, un acronim – printr-o listă de foneme dintr-un set închis de 50 (un fonem necunoscut returnează o eroare 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))
Două precauții din documentație: o etichetă plasată înainte de o propoziție lungă poate trunchia audio la o virgulă – mențineți propozițiile etichetate scurte – iar instrucțiunile în stil limbaj natural (instruction) nu sunt disponibile la lansarea Voxtral TTS 3.
Puncte cheie
- Epelați numerele și abrevierile pentru o pronunție corectă
- Folosiți punctuația pentru a controla pauzele (virgulă, punct, puncte de suspensie)
- Divizați textele lungi în segmente care se termină cu propoziții complete
- Evitați emoji-urile, HTML, URL-urile și codul în textul de intrare
- Voxtral TTS 3 gestionează textul multilingv în cele 35 de limbi ale sale; limba este purtată de voce
- Etichetele
[emotion=…]și[pace=…],expressivenessșiphoneme_hintsdirijează vocea în Voxtral TTS 3