Kontroll av text och uttal
På denna sida
Kursen uppdaterad den 3 november 2026 för Voxtral TTS 3, baserat på guiden Migrate from Voxtral 2 och Mistral-sidorna om Text to Speech:
voxtral-mini-tts-2603, som avvecklades den 31 oktober 2026 och tas bort helt den 30 april 2027, ersätts i exemplen medvoxtral-mini-tts-3-0. Fördefinierade röster från Voxtral 2 (gb_jane_neutral…) stöds fortfarande; Voxtral 3 lägger till taggarna[emotion=…]och[pace=…]i texten, inställningenexpressiveness, anpassat uttal (phoneme_hints) samt stöd för 35 språk. Mistral rekommenderar att du mäter om latensen efter migreringen. Källor: Migrate from Voxtral 2 · Speech generation.
Bemästra vad Voxtral uttalar
Voxtral genererar naturligt tal från råtext, vilket fungerar utmärkt för vanliga berättelser eller dialoger. Utmaningar uppstår vid icke-prosaiska element: telefonnummer, akronymer, datum och procenttal. Din inmatningstext är din enda kontrollmekanism – det finns ingen markup att lägga till. Hur du skriver styr det vokala resultatet. Denna lektion täcker teknikerna som skiljer ett professionellt meddelande från en ungefärlig uppläsning.
Skriv tal som de uttalas
Modellen tolkar siffror inkonsekvent, vilket gör resultaten svåra att förutsäga. Regeln är enkel: i text avsedd för syntes, skriv ut talen exakt som en radiopratare skulle läsa dem.
| Skriv | Skriv inte | Varför |
|---|---|---|
| ”two thousand twenty-six" | "2026” | Modellen kan säga “twenty twenty-six" |
| "zero one, forty-two, thirty-seven" | "01 42 37” | Telefonnumret uttalas fel |
| ”fifteen point five percent" | "15.5%” | %-symbolen tolkas inte |
| ”three forty-five" | "3:45” | Tvetydigt förkortat format |
Observera hanteringen av telefonnummer: kommatecken är inte dekorativa. De tvingar fram gruppering på två siffror och den staccatorytm som människor naturligt använder när de dikterar ett nummer.
Akronymer och förkortningar
Förkortningar innebär liknande problem, med en nyans: ibland vill du att de ska expanderas, andra gånger bokstaveras. En rå akronym kan uttalas som ett ord, vilket skapar klumpiga resultat i kundvänliga meddelanden.
# Dåligt: modellen kan uttala "sarl" som ett ord
input_bad = "Our SARL is based in Paris."
# Bra: explicit uttal
input_good = "Our Société à Responsabilité Limitée is based in Paris."
# Alternativ för akronymer som ska bokstaveras
input_acronym = "Our S.A.R.L. is based in Paris."
Den tredje formen är den viktigaste lärdomen: att sätta in en punkt mellan varje bokstav tvingar fram bokstavering. Använd detta för bokningskoder, registreringsskyltar eller identifierare som lyssnaren behöver anteckna.
Interpunktion för andhämtning
Utan dedikerad markup styr interpunktion tystnaden. Ett kommatecken skapar en kort paus (~200 ms); en punkt, en medellång paus (~500 ms); ellips, ett långt andetag (~800 ms); och ett tankstreck sätter en dramatisk paus, den typ du placerar före en avslöjande.
# Text med kontrollerade pauser
text = (
"Ladies and gentlemen... "
"welcome to this conference. "
"Today, we will discuss — "
"a topic that will change how you work."
)
Talhastigheten kommer främst från referenssamplet: en snabb källröst ger en snabb syntetisk röst. Du kan dock påverka den genom texten. Att lägga till interpunktion saktar ner hastigheten och luftar innehållet; att ta bort kommatecken och korta meningar snabbar på det. För att betona ett ord, skriv det med VERSALER – “This is ABSOLUTELY essential” – så får du betoning utan att röra ljudet.
Dela upp långa texter
Dokumentationen för Voxtral 2 rekommenderade att hålla sig under 300 ord per begäran för bästa resultat. Dokumentationen för Voxtral TTS 3 anger ingen hård gräns men varnar för att en emotionstagg placerad före en lång mening kan trunkera ljudet vid ett kommatecken. Att dela upp texten förblir bästa praxis.
Lösningen är att dela in texten i segment på 200–300 ord, aldrig mitt i en mening. Ett klipp vid en onaturlig gräns hörs omedelbart. Följande funktion avslutar endast ett segment efter ett ord som slutar med en punkt.
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
Vad du ska ta bort från texten
Vissa tecken stör genereringen allvarligt. Emojier stöds inte: modellen ignorerar dem eller tolkar dem slumpmässigt. HTML-taggar och Markdown uttalas som text, vilket förvandlar innehåll kopierat från CMS till nonsens. URL:er bokstaveras tecken för tecken, inklusive snedstreck och punkter. Programmeringssymboler – klammerparenteser, hakparenteser, pilar – missuppfattas. Lösningen är omformulering på naturligt språk:
# Dåligt
input_bad = "Visit https://mistral.ai to learn more 🎉"
# Bra
input_good = "Visit mistral dot ai to learn more."
Gör det till en vana att köra allt innehåll från en databas eller webbplats genom en rensningsfunktion innan API-anropet. Det kostar mindre än att lyssna på timmar av ljud för att hitta en bortglömd emoji.
Flerspråkiga texter
Ett fall löser sig självt: språkblandning. Voxtral upptäcker ändringar och anpassar uttalet utan att kräva annotering.
mixed_text = (
"Welcome to our presentation. "
"As we say in English, the sky is the limit. "
"Willkommen bei unserer Vorstellung."
)
Kvaliteten är optimal så länge de använda språken finns bland Voxtral TTS 3:s 35 supported languages. Utöver detta förblir uttalet trovärdigt men accenten glider, vilket en infödd lyssnare upptäcker omedelbart.
Styra rösten med Voxtral TTS 3
Voxtral TTS 3 lägger till tre kontrollspakar, skrivna direkt i begäran.
Taggar för emotion och tempo placeras i input, inom klamrar, före den text de påverkar: [emotion=calm], [emotion=happy], [pace=slow] eller [pace=fast]. De uttalas inte, gäller tills nästa tagg och kan kombineras ([emotion=calm][pace=slow]). Trettiofyra emotioner är dokumenterade, från amused till wistful. Med Voxtral 2 kom emotionen via val av röstvariant (gb_jane_sad); dessa varianter stöds fortfarande.
expressiveness, från 1,0 till 5,0, styr hur starkt talet följer din begäran: högre värden framhäver mer emotion på bekostnad av minskad röstlikhet. Börja med standardvärdet, öka om emotionen inte kommer fram, minska om leveransen låter påtvingad.
phoneme_hints fixerar uttalet av ett ord – ett varumärke, en akronym – via en lista med fonem från en sluten uppsättning på 50 (ett okänt fonem returnerar ett 422-fel).
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))
Två försiktighetsåtgärder från dokumentationen: en tagg placerad före en lång mening kan trunkera ljudet vid ett kommatecken – håll taggade meningar korta – och instruktioner i naturligt språk (instruction) är inte tillgängliga vid lanseringen av Voxtral TTS 3.
Viktiga punkter
- Stavning ut tal och förkortningar för korrekt uttal
- Använd interpunktion för att kontrollera pauser (komma, punkt, ellips)
- Dela upp långa texter i segment som slutar på hela meningar
- Undvik emojier, HTML, URL:er och kod i inmatningstexten
- Voxtral TTS 3 hanterar flerspråkig text över sina 35 språk; språket bärs av rösten
- Taggarna
[emotion=…]och[pace=…],expressivenessochphoneme_hintsstyr rösten i Voxtral TTS 3