Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Nadzor besedila in izgovorjava

Lekcija 11 od 14 Posodobljeno 3. november 2026 Razvijalec
Na tej strani
  1. Obvladovanje tega, kar Voxtral izgovori
  2. Zapisovanje števil, kot se izgovarjajo
  3. Akronimi in okrajšave
  4. Ločila za dih
  5. Razdeljevanje dolgih besedil
  6. Kaj odstraniti iz besedila
  7. Večjezična besedila
  8. Usmerjanje glasu z Voxtral TTS 3
  9. Ključne ugotovitve

Posodobitev tečaja z dne 3. novembra 2026 za Voxtral TTS 3, na podlagi vodnika Migrate from Voxtral 2 in strani Mistral Text to Speech: voxtral-mini-tts-2603, ki je bil opuščen 31. oktobra 2026 in umaknjen 30. aprila 2027, je v primerih nadomeščen z voxtral-mini-tts-3-0. Vnaprej določeni glasovi Voxtral 2 (gb_jane_neutral…) so še vedno podprti; Voxtral 3 dodaja oznake [emotion=…] in [pace=…] v besedilu, nastavitev expressiveness, prilagojeno izgovorjavo (phoneme_hints) in 35 jezikov. Mistral priporoča ponovno merjenje zakasnitve po selitvi. Viri: Migrate from Voxtral 2 · Speech generation.

Obvladovanje tega, kar Voxtral izgovori

Voxtral ustvarja naraven govor iz surovega besedila, kar odlično deluje za standardna pripovedovanja ali dialoge. Težave nastanejo pri elementih, ki niso proza: telefonskih številkah, akronimih, datumih in odstotkih. Vaše vhodno besedilo postane edini mehanizem nadzora – ni dodajanja oznak. Način, kako pišete, narekuje zvočni izhod. Ta lekcija pokriva tehnike, ki ločijo profesionalno sporočilo od približnega branja.

Zapisovanje števil, kot se izgovarjajo

Model dosledno ne razlaga števk, zaradi česar so rezultati težko predvidljivi. Pravilo je preprosto: v besedilu, namenjenem sintezi, zapišite številke točno tako, kot bi jih prebral radijski napovedovalec.

ZapišiNe zapišiZakaj
”two thousand twenty-six""2026”Model bi lahko rekel “twenty twenty-six"
"zero one, forty-two, thirty-seven""01 42 37”Napačna izgovorjava telefonske številke
”fifteen point five percent""15.5%“Simbol % ni razumljen
”three forty-five""3:45”Dvoumen okrajšan zapis

Bodite pozorni na obravnavo telefonskih številk: vejice niso okrasne. Uveljavljajo združevanje po dve števki in stakato ritem, ki ga ljudje naravno uporabljajo pri narekovanju številke.

Akronimi in okrajšave

Okrajšave predstavljajo podobne težave, z odtenkom: včasih jih želite razširiti, drugič črkovati. Surov akronim se lahko izgovori kot beseda, kar ustvari nerodne rezultate v sporočilih za stranke.

# Slabo: model bi lahko izgovoril "sarl" kot besedo
input_bad = "Our SARL is based in Paris."

# Dobro: eksplicitna izgovorjava
input_good = "Our Société à Responsabilité Limitée is based in Paris."

# Alternativa za akronime, črkovane črka za črko
input_acronym = "Our S.A.R.L. is based in Paris."

Tretja oblika je ključni zaključek: vstavljanje pike med vsako črko prisili branje črka za črko. To uporabite za rezervacijske kode, registrske tablice ali identifikatorje, ki si jih morajo poslušalci zapisati.

Ločila za dih

Brez namenskih oznak ločila nadzorujejo tišino. Vejica ustvari kratek premor (~200 ms); pika srednji premor (~500 ms); tri pike dolg vdih (~800 ms); vezaj pa nastavi dramatičen premor, takšnega, kot ga postavite pred razkritje.

# Besedilo z nadzorovanimi premori
text = (
    "Ladies and gentlemen... "
    "welcome to this conference. "
    "Today, we will discuss — "
    "a topic that will change how you work."
)

Hitrost govora izvira predvsem iz referenčnega vzorca: hiter izvorni glas daje hiter sintetični glas. Vendar pa lahko nanjo vplivate z besedilom. Dodajanje ločil upočasni hitrost in prepreči vsebino; odstranjevanje vejic in krajšanje stavkov jo pospeši. Da poudarite besedo, jo zapišite z VELIKIMI ČRKAMI – “This is ABSOLUTELY essential” – in dobili boste poudarek, ne da bi se dotaknili zvoka.

Razdeljevanje dolgih besedil

Dokumentacija Voxtral 2 je priporočala, da ostanete pod 300 besedami na zahtevo za najboljše rezultate. Dokumentacija Voxtral TTS 3 ne določa trde omejitve, vendar opozarja, da lahko oznaka čustva, postavljena pred dolg stavek, okrajša zvok pri vejici. Razdeljevanje ostaja najboljša praksa.

Rešitev je razdelitev na segmente po 200–300 besed, nikoli sredi stavka. Rez na nenaravni meji je takoj slišen. Naslednja funkcija zapre segment šele po besedi, ki se konča s piko.

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

# Uporaba
long_text = "..."  # Vaše celotno besedilo
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",
    )
    # Shrani vsak segment

Kaj odstraniti iz besedila

Določeni znaki močno motijo ustvarjanje. Emodžiji niso podprti: model jih ignorira ali naključno razlaga. HTML oznake in Markdown se izgovorijo kot besedilo, kar vsebino, kopirano iz CMS, spremeni v nesmisel. URL-ji so izgovorjeni znak za znakom, vključno s poševnicami in pikami. Programski simboli – oklepaji, oglati oklepaji, puščice – so napačno razumljeni. Rešitev je preoblikovanje v naravni jezik:

# Slabo
input_bad = "Visit https://mistral.ai to learn more 🎉"

# Dobro
input_good = "Visit mistral dot ai to learn more."

Naj vam postane navada, da vsako vsebino iz baze podatkov ali spletnega mesta pred klicem API-ja zaženete skozi funkcijo za čiščenje. Stane manj kot poslušanje ur zvoka, da bi odkrili pozabljen emodži.

Večjezična besedila

En primer se reši sam: mešanje jezikov. Voxtral zazna spremembe in prilagodi izgovorjavo brez potrebe po označevanju.

mixed_text = (
    "Welcome to our presentation. "
    "As we say in English, the sky is the limit. "
    "Willkommen bei unserer Vorstellung."
)

Kakovost je optimalna, dokler so uporabljeni jeziki med 35 podprtimi jeziki Voxtral TTS 3. Poleg tega izgovorjava ostane verjetna, vendar se naglas spremeni, kar native govorec takoj opazi.

Usmerjanje glasu z Voxtral TTS 3

Voxtral TTS 3 dodaja tri vzvode za nadzor, zapisane neposredno v zahtevi.

Oznake za čustva in tempo gredo v input, v oglatih oklepajih, pred besedilom, na katerega vplivajo: [emotion=calm], [emotion=happy], [pace=slow] ali [pace=fast]. Niso izgovorjene, veljajo do naslednje oznake in se kombinirajo ([emotion=calm][pace=slow]). Dokumentiranih je štiriintrideset čustev, od amused do wistful. Pri Voxtral 2 so čustva prihajala prek izbire različice glasu (gb_jane_sad); te različice so še vedno podprte.

expressiveness, od 1,0 do 5,0, določa, kako močno govor sledi vaši zahtevi: višje vrednosti poudarijo več čustev na račun zmanjšane podobnosti glasu. Začnite s privzeto vrednostjo, povečajte, če čustva ne pridejo do izraza, zmanjšajte, če zveni prisiljeno.

phoneme_hints popravi izgovorjavo besede – imena blagovne znamke, akronima – prek seznama fonemov iz zaprtega nabora 50 (neznani fonem vrne napako 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))

Dva previdnostna ukrepa iz dokumentacije: oznaka, postavljena pred dolg stavek, lahko okrajša zvok pri vejici – označene stavke naj bodo kratki – in navodila v slogu naravnega jezika (instruction) ob zagonu Voxtral TTS 3 niso na voljo.

Ključne ugotovitve

  • Črkuj številke in okrajšave za pravilno izgovorjavo
  • Uporabi ločila za nadzor premorov (vejica, pika, tri pike)
  • Razdeli dolga besedila na segmente, ki se končajo s celimi stavki
  • Izogibaj se emodžijem, HTML, URL-jem in kodi v vhodnem besedilu
  • Voxtral TTS 3 obravnava večjezična besedila v svojih 35 jezikih; jezik nosi glas
  • Oznake [emotion=…] in [pace=…], expressiveness in phoneme_hints usmerjajo glas v Voxtral TTS 3