Контрол на просодията и темпото на речта
На тази страница
Обновено на 2 ноември 2026 г. — Аудио модели. Няколко модела в този курс са депрецирали:
tts-1,tts-1-hdиgpt-4o-mini-ttsще 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-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 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 заgpt-4o-mini-tts(instructions), най-прекият лост за интонация, тон и темпо на речта, които документацията описва и коитоtts-1не 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,instructionsописва как да се говори (тон, интонация, темпо, акцент);tts-1иtts-1-hdне 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