Ovládanie textu a výslovnosti
Na tejto strane
Kurz aktualizovaný 3. novembra 2026 pre Voxtral TTS 3, na základe sprievodcu Migrácia z Voxtral 2 a stránok Mistral Text na reč:
voxtral-mini-tts-2603, zastaraný 31. októbra 2026 a vyradený 30. apríla 2027, je v príkladoch nahradený modelomvoxtral-mini-tts-3-0. Preddefinované hlasy Voxtral 2 (gb_jane_neutral…) zostávajú podporované; Voxtral 3 pridáva značky[emotion=…]a[pace=…]priamo do textu, nastavenieexpressiveness, vlastnú výslovnosť (phoneme_hints) a podporu 35 jazykov. Mistral odporúča po migrácii znovu odmerať latenciu. Zdroje: Migrácia z Voxtral 2 · Generovanie reči.
Ako ovládať, čo Voxtral vysloví
Voxtral generuje prirodzenú reč zo surového textu, čo perfektne funguje pre štandardné rozprávanie alebo dialógy. Problémy nastávajú pri neprozaických prvkoch: telefónnych číslach, skratkách, dátumoch a percentách. Tvoj vstupný text je jediným mechanizmom ovládania – neexistuje žiadne ďalšie značkovanie. To, ako napíšeš, diktuje zvukový výstup. Táto lekcia pokrýva techniky, ktoré oddeľujú profesionálnu správu od približného čítania.
Písanie čísel tak, ako sa vyslovujú
Model interpretuje číslice nekonzistentne, čo robí výsledky ťažko predvídateľnými. Pravidlo je jednoduché: v texte určenom na syntézu píš čísla presne tak, ako by ich čítal rozhlasový moderátor.
| Napíš | Nepíš | Prečo |
|---|---|---|
| ”two thousand twenty-six" | "2026” | Model môže povedať “twenty twenty-six" |
| "zero one, forty-two, thirty-seven" | "01 42 37” | Telefónne číslo vyslovené nesprávne |
| ”fifteen point five percent" | "15.5%“ | Symbol % nie je interpretovaný |
| ”three forty-five" | "3:45” | Nejednoznačný skrátený formát |
Všimni si spôsob spracovania telefónnych čísel: čiarky nie sú ozdobné. Vynucujú zoskupenie po dvoch čísliciach a staccato rytmus, ktorý ľudia prirodzene používajú pri diktovaní čísla.
Skratky a akronymá
Skratky predstavujú podobné problémy, s jedným nuansom: niekedy ich chceš rozvinúť, inokedy vyslovovať písmeno po písmene. Surové akronymum môže byť vyslovené ako slovo, čo vytvára nepríjemné výsledky v správach určených zákazníkom.
# Zlé: model môže vysloviť "sarl" ako slovo
input_bad = "Our SARL is based in Paris."
# Dobré: explicitná výslovnosť
input_good = "Our Société à Responsabilité Limitée is based in Paris."
# Alternatíva pre akronymá písmeno po písmene
input_acronym = "Our S.A.R.L. is based in Paris."
Tretia forma je kľúčovým poznatkom: vloženie bodky medzi každé písmeno vynúti čítanie písmeno po písmene. Použi to pre rezervačné kódy, evidenčné čísla vozidiel alebo identifikátory, ktoré si poslucháč musí zapísať.
Interpunkcia pre nadýchnutie
Bez vyhradeného značkovania kontroluje tichú pauzu interpunkcia. Čiarka vytvára krátku pauzu (~200 ms); bodka strednú pauzu (~500 ms); tri bodky dlhý nádych (~800 ms) a pomlčka nastavuje dramatickú pauzu, akú použiješ pred odhalením.
# Text s kontrolovanými pauzami
text = (
"Ladies and gentlemen... "
"welcome to this conference. "
"Today, we will discuss — "
"a topic that will change how you work."
)
Rýchlosť reči primárne vychádza z referenčnej vzorky: rýchly zdrojový hlas vytvorí rýchly syntetický hlas. Môžeš ju však ovplyvniť aj textom. Pridanie interpunkcie spomalí tempo a prevzdušní obsah; odstránenie čiarok a skrátenie viet ho urýchli. Na zdôraznenie slova ho napíš VEĽKÝMI PÍSMENAMI – „This is ABSOLUTELY essential“ – a získaš dôraz bez zásahu do audia.
Rozdeľovanie dlhých textov
Dokumentácia Voxtral 2 odporúčala zostať pod 300 slovami na požiadavku pre najlepšie výsledky. Dokumentácia Voxtral TTS 3 nestanovuje pevný limit, ale varuje, že značka emócie umiestnená pred dlhou vetou môže spôsobiť orezanie audia na čiarke. Rozdeľovanie zostáva najlepšou praxou.
Riešením je rozdelenie na segmenty po 200 – 300 slovách, nikdy nie v polovici vety. Prerušenie na neprirodzenej hranici je okamžite počuteľné. Nasledujúca funkcia uzavrie segment až po slove končiacom bodkou.
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
Čo odstrániť z textu
Určité znaky vážne narúšajú generovanie. Emotikony nie sú podporované: model ich ignoruje alebo interpretuje náhodne. HTML tagy a Markdown sa vyslovujú ako text, čím sa obsah skopírovaný z CMS mení na nezmysly. URL adresy sa hláskujú znak po znaku, vrátane lomítok a bodiek. Programátorské symboly – zátvorky, hranaté zátvorky, šípky – sú nesprávne interpretované. Riešením je preformulovanie do prirodzeného jazyka:
# Zlé
input_bad = "Visit https://mistral.ai to learn more 🎉"
# Dobré
input_good = "Visit mistral dot ai to learn more."
Urob si zvyk prepusťiť akýkoľvek obsah z databázy alebo webovej stránky čistiacou funkciou pred volaním API. Stojí to menej ako počúvanie hodín audia, aby si odhalil zabudnutú emotikonu.
Viacjazyčné texty
Jeden prípad sa rieši sám: miešanie jazykov. Voxtral deteguje zmeny a prispôsobuje výslovnosť bez potreby anotácií.
mixed_text = (
"Welcome to our presentation. "
"As we say in English, the sky is the limit. "
"Willkommen bei unserer Vorstellung."
)
Kvalita je optimálna, pokiaľ sú použité jazyky medzi 35 podporovanými jazykmi Voxtral TTS 3. Nad rámec toho zostáva výslovnosť vierohodná, ale prízvuk sa posúva, čo rodilý poslucháč okamžite spozoruje.
Usmerňovanie hlasu pomocou Voxtral TTS 3
Voxtral TTS 3 pridáva tri páky ovládania, zapisované priamo do požiadavky.
Značky emócie a tempa idú do input, v hranatých zátvorkách, pred text, ktorý ovplyvňujú: [emotion=calm], [emotion=happy], [pace=slow] alebo [pace=fast]. Nie sú vyslovené, platia až do ďalšej značky a dajú sa kombinovať ([emotion=calm][pace=slow]). Dokumentovaných je tridsaťštyri emócií, od amused po wistful. Pri Voxtral 2 prichádzala emócia cez výber varianty hlasu (gb_jane_sad); tieto varianty zostávajú podporované.
expressiveness, od 1,0 do 5,0, nastavuje, ako silno reč nasleduje tvoju požiadavku: vyššie hodnoty zvýraznia viac emócie na úkor menšej podobnosti s hlasom. Začni predvolenou hodnotou, zvýš ju, ak emócia neprejde, alebo zníž, ak pôsobí prednes nútene.
phoneme_hints opraví výslovnosť slova – názov značky, akronymum – pomocou zoznamu foném z uzavretej množiny 50 (neznáma fonéma vráti chybu 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))
Dve opatrenia z dokumentácie: značka umiestnená pred dlhou vetou môže orezať audio na čiarke – udržuj označené vety krátke – a inštrukcie v štýle prirodzeného jazyka (instruction) nie sú pri štarte Voxtral TTS 3 dostupné.
Kľúčové poznatky
- Hláskuj čísla a skratky pre správnu výslovnosť
- Používaj interpunkciu na ovládanie pauz (čiarka, bodka, tri bodky)
- Rozdeľ dlhé texty na segmenty končiace celými vetami
- Vyhni sa emotikonám, HTML, URL adresám a kódu vo vstupnom texte
- Voxtral TTS 3 spracováva viacjazyčný text vo svojich 35 jazykoch; jazyk nesie hlas
- Značky
[emotion=…]a[pace=…],expressivenessaphoneme_hintsusmerňujú hlas vo Voxtral TTS 3