Налични гласове и персонализиране
На тази страница
Актуализация от 2 ноември 2026 г. — Аудио модели. Няколко модела в този курс са обявени за остарели:
tts-1,tts-1-hdиgpt-4o-mini-ttsще 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-realtimeи 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-transcribeи/v1/audio/translationsна 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 заgpt-4o-mini-tts, 9 заtts-1иtts-1-hdи 10 за Realtime API;gpt-4o-mini-ttsприема 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:
| Глас | gpt-4o-mini-tts | tts-1, tts-1-hd | Realtime API |
|---|---|---|---|
alloy, ash, coral, echo, sage, shimmer | Да | Да | Да |
fable, nova, onyx | Да | Да | Не |
ballad, verse | Да | Не | Да |
marin, cedar | Да, препоръчително | Не | Да, 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 заtts-1иtts-1-hd, 10 за Realtime API;marinиcedarса препоръчителни gpt-4o-mini-ttsприема 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