Премини към основното съдържание
Български— Изберете език
Меню

Налични гласове и персонализиране

Урок 11 от 18 Обновен 3 ноември 2026 г. Програмист
На тази страница
  1. Налични гласове и персонализиране
  2. Стандартни гласове
  3. Гласове в Realtime API
  4. Влияние върху стила чрез текст
  5. Ключови изводи

Актуализация от 2 ноември 2026 г. — Аудио модели. Няколко модела в този курс са обявени за остарели: tts-1, tts-1-hd и gpt-4o-mini-tts ще бъдат спрени на 6 януари 2027 г. (наследник: gpt-realtime-2.1-mini, който според ръководството на OpenAI за TTS не се поддържа от /v1/audio/speech: миграцията към TTS изисква Realtime API); gpt-realtime, gpt-4o-realtime и наследените аудио модели на 20 януари 2027 г. (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); whisper-1, gpt-4o-transcribe и /v1/audio/translations на 26 февруари 2027 г. (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). За двупосочна гласова връзка (full-duplex), GPT-Live 1 е достъпен в API от 10 септември 2026 г. Урокът е коригиран на 3 ноември 2026 г.: „шестте основни гласа“ и техните характеристики вече не съответстват на документацията, която изброява 13 гласа за gpt-4o-mini-tts, 9 за tts-1 и tts-1-hd и 10 за Realtime API; gpt-4o-mini-tts приема инструкции за стил (instructions); гласът в сесия на Realtime е фиксиран до първия аудио отговор. Източници: Text to speech · Realtime conversations.

Налични гласове и персонализиране

Изборът на глас е от решаващо значение за потребителското изживяване при Вашия гласов агент. Глас, който отговаря на контекста – професионален за обслужване на клиенти, топъл за личен асистент – променя възприятието на потребителите за агента. TTS API предлага няколко различни гласа, всеки със собствен характер и предимства.

Стандартни гласове

Документацията на OpenAI изброява 13 вградени гласа, като наличността варира в зависимост от модела:

Гласgpt-4o-mini-ttstts-1, tts-1-hdRealtime API
alloy, ash, coral, echo, sage, shimmerДаДаДа
fable, nova, onyxДаДаНе
ballad, verseДаНеДа
marin, cedarДа, препоръчителноНеДа, препоръчително

OpenAI препоръчва marin или cedar за най-високо качество и отбелязва, че гласовете са оптимизирани за английски език. Вместо да разчитате на описания, ги изслушайте на френски на OpenAI.fm, демо сайта на OpenAI, използвайки свои собствени фрази: тембър, който звучи страхотно на английски, може да разочарова при произнасяне на име на улица или число.

Изборът на глас може да бъде динамичен в зависимост от типа съдържание. Таблицата по-долу е пример, който да попълните след изслушване, използвайки гласове, които tts-1 също приема:

def select_voice(context: str, tone: str = "professional") -> str:
    """Selects the optimal voice based on context."""
    voice_map = {
        "customer_service": {
            "professional": "nova",
            "warm": "shimmer",
            "authoritative": "onyx"
        },
        "education": {
            "professional": "echo",
            "warm": "fable",
            "authoritative": "onyx"
        },
        "narration": {
            "professional": "onyx",
            "warm": "echo",
            "authoritative": "onyx"
        },
        "notification": {
            "professional": "alloy",
            "warm": "shimmer",
            "authoritative": "nova"
        }
    }

    return voice_map.get(context, {}).get(tone, "alloy")

# Examples
voice = select_voice("customer_service", "warm")    # → shimmer
voice = select_voice("education", "professional")    # → echo
voice = select_voice("narration", "authoritative")   # → onyx

Гласове в Realtime API

TTS и Realtime API споделят общо семейство гласове, но всеки има свой собствен набор: Realtime API добавя marin и cedar (двата препоръчителни) и не приема определени TTS гласове като nova или onyx. Вие дефинирате гласа в session.update:

await ws.send(json.dumps({
    "type": "session.update",
    "session": {
        "type": "realtime",
        "output_modalities": ["audio"],
        "audio": {"output": {"voice": "marin"}}
    }
}))

Изберете гласа при създаване на сесията или в response.create: щом моделът генерира аудио, не можете да го промените за тази сесия. За да превключите гласовете, отворете нова сесия.

Влияние върху стила чрез текст

С gpt-4o-mini-tts контролирате стила първо чрез инструкции на естествен език (instructions): акцент, емоция, интонация, скорост, тон, шепнене (Урок 13). tts-1 и tts-1-hd не приемат това; оставате само с препинателни знаци и форматиране на текста:

# Neutral tone
text_neutral = "Your order has shipped. It will arrive tomorrow."

# Enthusiastic tone (exclamations)
text_excited = "Great news! Your order has shipped! It arrives tomorrow!"

# Calm tone (long sentences, commas)
text_calm = "Your order, which was carefully prepared, has just shipped, and it should arrive sometime tomorrow."

# Explicit pause (em dash or ellipsis)
text_dramatic = "The result is... extraordinary."

# Emphasis via partial capitalization
text_emphasis = "This is EXACTLY what you need."

Използване на ефекти, подобни на SSML, чрез текст

Документацията не включва SSML, но можете да симулирате някои ефекти:

def format_for_tts(text: str, pauses: dict = None) -> str:
    """Formats text to optimize TTS rendering."""
    # Add pauses via ellipses
    if pauses:
        for marker, duration in pauses.items():
            dots = "..." if duration == "short" else "....."
            text = text.replace(marker, dots)

    return text

formatted = format_for_tts(
    "Final result: [pause] you passed the test.",
    pauses={"[pause]": "short"}
)
# → "Final result: ... you passed the test."

Ключови изводи

  • 13 гласа за gpt-4o-mini-tts, 9 за tts-1 и tts-1-hd, 10 за Realtime API; marin и cedar са препоръчителни
  • gpt-4o-mini-tts приема инструкции за стил (instructions); по-старите модели реагират само на препинателни знаци
  • Изборът на глас зависи от контекста: обслужване на клиенти, образование, разказване, известия
  • Не можете да промените гласа по средата на сесията в Realtime API
  • Препинателните знаци влияят директно върху просодията: удивителни, многоточия и тирета създават ефекти
  • Винаги тествайте гласовете върху Вашето действително съдържание, преди да направите окончателен избор