Премини към основното съдържание
Български— Изберете език
Меню

Контрол на просодията и темпото на речта

Урок 13 от 18 Обновен 3 ноември 2026 г. Програмист
На тази страница
  1. Контрол на просодията и темпото на речта
  2. Гласови инструкции за gpt-4o-mini-tts
  3. Контрол на темпото на речта с параметъра Speed
  4. Техники за форматиране на текста
  5. Адаптиране на текста за гласов контекст
  6. Адаптивно темпо въз основа на съдържанието
  7. Аудио пост-обработка
  8. Ключови изводи

Обновено на 2 ноември 2026 г. — Аудио модели. Няколко модела в този курс са депрецирали: tts-1, tts-1-hd и gpt-4o-mini-tts ще спрат да работят на 6 януари 2027 г. (наследник: gpt-realtime-2.1-mini, за който ръководството на OpenAI за TTS посочва, че не се поддържа от /v1/audio/speech: миграцията на синтез на глас преминава към 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 дуплексна гласова връзка, GPT-Live 1 е наличен в API от 10 септември 2026 г. Урокът е завършен на 3 ноември 2026 г.: преди това липсваха инструкции за глас за gpt-4o-mini-tts (instructions), най-прекият лост за интонация, тон и темпо на речта, които документацията описва и които tts-1 не приема. Източник: Text to speech.

Контрол на просодията и темпото на речта

Просодията – интонация, ритъм, ударение и паузи – е това, което отличава роботизиран синтетичен глас от естествен. TTS API на OpenAI не поддържа SSML, но предлага два директни лоста: параметъра instructions за gpt-4o-mini-tts и параметъра speed, допълнени от техники за форматиране на текста.

Гласови инструкции за gpt-4o-mini-tts

С gpt-4o-mini-tts описвате как да се говори на естествен език, използвайки параметъра instructions. Документацията изброява какво контролират тези инструкции: акцент, емоционален обхват, интонация, имитации, темпо на речта, тон и шепнене.

from openai import OpenAI

client = OpenAI()

with client.audio.speech.with_streaming_response.create(
    model="gpt-4o-mini-tts",
    voice="marin",
    input="Your appointment is confirmed for tomorrow at two PM.",
    instructions=(
        "Calm and reassuring voice of a medical receptionist. Measured pace, "
        "short pause before the time, falling intonation at the end of the sentence."
    ),
) as response:
    response.stream_to_file("appointment.mp3")

Запазете текста за изговаряне в input, а стила на изпълнение в instructions. Не ги смесвайте, иначе рискувате да чуете самата инструкция изговорена на глас. Тези инструкции не работят с tts-1 или tts-1-hd; при тези модели само speed и форматирането на текста, разгледани по-долу, влияят на изхода. Тъй като и трите модела ще бъдат спрени на 6 януари 2027 г., миграцията към Realtime API (Урок 10) следва същия принцип: инструкциите за тон се преместват в инструкциите за сесия или отговор.

Контрол на темпото на речта с параметъра Speed

TTS API предоставя параметъра speed за регулиране на скоростта на говорене:

from openai import OpenAI

client = OpenAI()

# Нормална скорост (1.0)
response_normal = client.audio.speech.create(
    model="tts-1",
    voice="nova",
    input="Your appointment is confirmed for tomorrow at two PM.",
    speed=1.0
)

# По-бавно (0.75) — за сложни инструкции
response_slow = client.audio.speech.create(
    model="tts-1",
    voice="nova",
    input="Your appointment is confirmed for tomorrow at two PM.",
    speed=0.75
)

# По-бързо (1.25) — за кратки известия
response_fast = client.audio.speech.create(
    model="tts-1",
    voice="nova",
    input="Your appointment is confirmed for tomorrow at two PM.",
    speed=1.25
)
Скорост Диапазон Случай на употреба
Бавно 0.25 — 0.75 Сложни инструкции, достъпност, възрастни потребители
Нормално 0.9 — 1.1 Разговори, обучение, разказване
Бързо 1.25 — 2.0 Известия, потвърждения, обобщения

Техники за форматиране на текста

Основният лост за контрол на просодията е форматирането на входния текст. TTS моделът интерпретира пунктуацията и структурата, за да адаптира своето темпо и интонация.

Паузи

# Кратка пауза: запетая
text_comma = "First step, check your configuration."

# Средна пауза: точка и запетая или тире
text_semi = "First step — check your configuration."

# Дълга пауза: точка или многоточие
text_dots = "First step. Check your configuration."
text_ellipsis = "First step... check your configuration."

# Много дълга пауза: отделен абзац
text_para = "First step.\n\nCheck your configuration."

Акцент и интонация

# Въпрос (възходяща интонация)
text_question = "Would you like to confirm this reservation?"

# Възклицание (естествен акцент)
text_exclaim = "Congratulations! Your registration is confirmed!"

# Акцент чрез главни букви
text_caps = "It is VERY important not to skip this step."

# Списък с ритъм (моделът естествено маркира всеки елемент)
text_list = "You will need: one, your username. Two, your password. Three, your confirmation code."

Адаптиране на текста за гласов контекст

Текстът, написан за четене, и текстът, написан за изговаряне, са много различни. За гласов агент систематично преформатирайте съдържанието:

def format_for_speech(text: str) -> str:
    """Адаптира писмен текст за естествено възпроизвеждане на глас."""
    import re

    # Изговаряне на често срещани абревиатури
    abbreviations = {
        "API": "A P I",
        "URL": "U R L",
        "PDF": "P D F",
        "SMS": "S M S",
    }
    for abbr, spelled in abbreviations.items():
        text = text.replace(abbr, spelled)

    # Записване на малки числа като думи
    number_words = {
        "1": "one", "2": "two", "3": "three", "4": "four",
        "5": "five", "6": "six", "7": "seven", "8": "eight",
        "9": "nine", "10": "ten"
    }
    for digit, word in number_words.items():
        text = re.sub(rf'\b{digit}\b', word, text)

    # Записване на часове в говорим формат
    text = re.sub(r'(\d{1,2})h(\d{2})', r'\1 hours \2', text)
    text = re.sub(r'(\d{1,2})h\b', r'\1 hours', text)

    return text

original = "Your appt is at 14h30. Send 1 SMS to confirm."
formatted = format_for_speech(original)
# → "Your appt is at 14 hours 30. Send one S M S to confirm."

Адаптивно темпо въз основа на съдържанието

Интелигентният гласов агент адаптира темпото на речта си според типа съдържание:

def adaptive_speed(content_type: str, user_preference: float = 1.0) -> float:
    """Изчислява оптималната скорост въз основа на типа съдържание."""
    base_speeds = {
        "greeting": 1.0,
        "instructions": 0.85,
        "confirmation": 1.1,
        "error_message": 0.9,
        "phone_number": 0.7,
        "address": 0.75,
        "summary": 1.15,
        "farewell": 1.0,
    }

    base = base_speeds.get(content_type, 1.0)
    # Коригиране с потребителското предпочитание (0.5 до 1.5)
    adjusted = base * user_preference
    return max(0.25, min(4.0, adjusted))  # Ограничаване до лимитите на API

# Употреба
speed = adaptive_speed("phone_number", user_preference=0.9)
# → 0.63 (бавно за диктуване на номер)

Аудио пост-обработка

За още по-фин контрол обработвайте аудиото след генерирането:

from pydub import AudioSegment

def post_process_speech(audio_bytes: bytes, adjustments: dict) -> bytes:
    """Аудио пост-обработка за фина настройка."""
    import io
    audio = AudioSegment.from_mp3(io.BytesIO(audio_bytes))

    # Регулиране на силата на звука
    if "volume_db" in adjustments:
        audio = audio + adjustments["volume_db"]

    # Добавяне на затихване в началото/края
    if adjustments.get("fade_in_ms"):
        audio = audio.fade_in(adjustments["fade_in_ms"])
    if adjustments.get("fade_out_ms"):
        audio = audio.fade_out(adjustments["fade_out_ms"])

    # Добавяне на тишина в началото (pre-roll)
    if adjustments.get("pre_silence_ms"):
        silence = AudioSegment.silent(duration=adjustments["pre_silence_ms"])
        audio = silence + audio

    buffer = io.BytesIO()
    audio.export(buffer, format="mp3")
    return buffer.getvalue()

Ключови изводи

  • При gpt-4o-mini-tts, instructions описва как да се говори (тон, интонация, темпо, акцент); tts-1 и tts-1-hd не приемат този параметър
  • Параметърът speed (от 0.25 до 4.0) контролира общото темпо на речта
  • Пунктуацията е основният лост за паузи: запетая (къса), точка (дълга), многоточие (драматична)
  • Адаптирайте текста за гласов контекст: изговаряйте абревиатури, пишете числа като думи, преформулирайте часове
  • Променяйте скоростта според съдържанието: бавно за числа и адреси, бързо за потвърждения
  • Аудио пост-обработката (сила на звука, затихвания, тишина) усъвършенства крайния изход