Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Osvedčené postupy pre audio

Lekcia 6 z 14 Aktualizované 3. novembra 2026 Vývojár
Na tejto strane
  1. Kvalita vstupu určuje kvalitu výstupu
  2. Pravidlo 1: Čisté audio
  3. Pravidlo 2: Hovor prirodzene
  4. Pravidlo 3: Vyhni sa vypchávkovým slovám
  5. Pravidlo 4: Optimálna dĺžka
  6. Trik s medzijazykovým klonovaním
  7. Kontrolný zoznam pred nahrávaním
  8. Kľúčové poznatky

Kurz aktualizovaný 3. novembra 2026 pre Voxtral TTS 3 na základe sprievodcu Migrácia z Voxtral 2 a stránok Mistral Text to Speech: model voxtral-mini-tts-2603, ktorý bol zastaraný 31. októbra 2026 a vyradený 30. apríla 2027, je v príkladoch nahradený modelom voxtral-mini-tts-3-0. Preddefinované hlasy Voxtral 2 (gb_jane_neutral…) sú stále podporované; Voxtral 3 pridáva do textu značky [emotion=…] a [pace=…], nastavenie expressiveness, vlastnú výslovnosť (phoneme_hints) a podporu 35 jazykov. Mistral odporúča po migrácii znovu zmerať latenciu. Zdroje: Migrácia z Voxtral 2 · Generovanie reči.

Kvalita vstupu určuje kvalitu výstupu

Klonovanie hlasu Voxtral je síce výkonné, ale zostáva úplne závislé od kvality poskytnutej audio vzorky. Zlý záznam vytvorí zlý syntetický hlas, bez výnimky a bez možnosti následnej opravy. Nasledujúce štyri pravidlá možno vyjadriť jednou vetou, no práve ony oddeľujú hlas, ktorý sa ľudia radi počúvajú, od toho, ktorý stlmia po tridsiatich sekundách.

Pravidlo 1: Čisté audio

Prostredie nahrávania je kľúčové, pretože model nedokáže rozlíšiť tvoj hlas od jeho okolia: naučí sa všetko. Neustály hluk v pozadí – ventilácia, hluk z otvorenej kancelárie, premávka za oknom – bude zachytený a reprodukovaný pri každej generácii, dokonca aj o šesť mesiacov pri úplne inej texte. Reverberácia spôsobuje rovnaký problém: prázdna miestnosť s tvrdými povrchmi, dlažbou alebo veľkými oknami vytvára ozvenu, ktorú model verne zreprodukuje; uprednostni zariadenú miestnosť alebo minimálnu akustickú úpravu. Dokonca aj veľmi tichá hudba v pozadí bude zachytená a zmiešaná s hlasom. Nakoniec, vzorka musí obsahovať iba jedného hovoriaceho: dva prekrývajúce sa hlasy prinášajú nepoužiteľné výsledky.

Nemáš štúdio? To nie je prekážka. Skriňa plná oblečenia funguje ako vynikajúci akustický izolátor a zastúpi drahé absorpčné panely. Kvalitná náhlavná súprava s mikrofónom v štýle podcastov úplne stačí – rozdiel medzi ňou a profesionálnym mikrofónom je oveľa menší než rozdiel medzi tichou a hlučnou miestnosťou. Nahrávaj so zatvorenými oknami a vypnutými upozorneniami a zvykni si pred finálnym záznamom spustiť 5-sekundový test, ktorý si vypočuješ: práve vtedy odhalíš vibrujúcu chladničku alebo klávesnicu, ktorá je príliš blízko mikrofónu.

Pravidlo 2: Hovor prirodzene

Model zachytáva nielen tvoju farbu hlasu, ale aj tvoj štýl hovorenia, a práve tu zlyháva mnoho prvých pokusov. Ľudia pred mikrofónom spontánne začnú artikulovať ako moderátori správ – a syntetický hlas zdedí tento afektovaný tón, ktorý už od druhej vety znie falošne. Hovor tak, ako bežne, bez nútenia dikcie alebo zmeny obvyklého tempa.

Platí aj opak: plochý, monotónny záznam vytvorí monotónny hlas. Prirodzene menš intonáciu a udržuj stabilný rytmus – nie príliš rýchlo, inak model prehliadne nuansy, a nie príliš pomaly, inak bude hlas znieť ospalo. Maj na pamäti, že emócia v tvojej vzorke priamo ovplyvňuje emóciu generovaného hlasu: ak nahrávaš s nadšením, syntetický hlas bude znieť nadšene; ak nahrávaš pokojne, bude znieť pokojne. Vyber si teda náladu nahrávania podľa zamýšľaného použitia – rozprávač audiokníh a pracovník podpory si nevyžadujú rovnakú energiu.

Pravidlo 3: Vyhni sa vypchávkovým slovám

Vypchávkové slová, tie zástupné výrazy, ktoré prerušujú spontánnu reč, sú nepriateľom klonovania hlasu. Vyhni sa parazitným „ehm“, „no“, „takže“ a „akože“, a počas nahrávania nekašli ani si neodkašlávaj. Ak urobíš chybu, začni odznova od začiatku, namiesto opravovania v polovici vety – fráza „prepáčte, začnem znova“ zostane vo vzorke.

Dôvod je jednoduchý: model nedokáže rozlíšiť tvoj hlas od tvojich váhaní. Považuje ich za charakteristiku tvojho štýlu hovorenia a reprodukuje ich pri každej generácii. Zákazník, ktorý počuje, ako jeho hlasový asistent systematicky váha v polovici vety, si nemyslí, že ide o chybu; bude si myslieť, že služba je nedbalá.

Pravidlo 4: Optimálna dĺžka

Ako sme spomenuli v predchádzajúcej lekcii, odporúčaná dĺžka je 10 až 20 sekúnd, no tento rozsah si zaslúži upresnenie. Pod 5 sekúnd nemá model dostatok údajov na zachytenie variácií tvojho hlasu a výsledok znie všeobecne. Voxtral 2 odmietal vzorky dlhšie ako 30 sekúnd; Voxtral TTS 3 akceptuje až niekoľko minút, no po dvadsiatich sekundách alebo tak výsledok nezlepšuje dĺžka, ale rozmanitosť reči. Ideálny bod je teda okolo 15 až 20 sekúnd rozmanitej, prirodzenej reči – na rozmanitosti záleží rovnako ako na dĺžke.

Trik s medzijazykovým klonovaním

Tu je pokročilá technika, ktorú objavili používatelia Voxtral: medzijazykové klonovanie ti umožňuje vytvoriť zaujímavé akcentové efekty. Princíp spočíva v poskytnutí vzorky v jednom jazyku, povedzme vo francúzštine, a následnej generácii reči v inom, povedzme v angličtine. Výsledok? Syntetický hlas hovorí po anglicky s francúzskym prízvukom pôvodného hovoriaceho.

# 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",
)

Výsledok znie presne ako francúzsky hovoriaci, ktorý hovorí po anglicky so svojím prirodzeným prízvukom. Najzrejmejšou aplikáciou je pre značky, ktoré si chcú udržať svoju vokálnu identitu naprieč jazykmi: francúzsky hovorca spoločnosti si zachová svoju zvukovú signatúru aj v anglickej verzii kampane, namiesto toho, aby bol nahradený anonymným hlasom.

Kontrolný zoznam pred nahrávaním

Pred začatím finálneho nahrávania si over:

  • Tiché prostredie (žiaden hluk v pozadí, žiadna ozvena)
  • Správne umiestnený mikrofón (10–15 cm od úst)
  • Vypnuté upozornenia (telefón, počítač)
  • Pripravený scenár alebo téma v mysli
  • Overený 5-sekundový test

Kľúčové poznatky

  • Čisté audio bez hluku v pozadí alebo reverberácie je nevyhnutné
  • Hovor prirodzene a expresívne – model zachytáva tvoj štýl
  • Vyhni sa vypchávkovým slovám („ehm“, „no“), pretože budú reprodukované
  • Optimálna dĺžka je 15 až 20 sekúnd rozmanitej reči
  • Medzijazykové klonovanie ti umožňuje zachovať prízvuk v inom jazyku