Dostupné hlasy a přizpůsobení
Na této stránce
Aktualizace 2. listopadu 2026 — Zvukové modely. Několik modelů v tomto kurzu je zastaralých:
tts-1,tts-1-hdagpt-4o-mini-ttsbudou vypnuty 6. ledna 2027 (nástupce:gpt-realtime-2.1-mini, který podle průvodce OpenAI TTS nepodporuje/v1/audio/speech: migrace TTS vyžaduje Realtime API);gpt-realtime,gpt-4o-realtimea starší zvukové modely skončí 20. ledna 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribea/v1/audio/translationsskončí 26. února 2027 (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). Pro plně duplexní hlas je GPT-Live 1 dostupné v API od 10. září 2026. Lekce opravena 3. listopadu 2026: „šest hlavních hlasů“ a jejich osobnosti již neodpovídaly dokumentaci, která uvádí 13 hlasů progpt-4o-mini-tts, 9 protts-1atts-1-hda 10 pro Realtime API;gpt-4o-mini-ttspřijímá pokyny pro styl (instructions); hlas v relaci Realtime je fixní až do první zvukové odpovědi. Zdroje: Text to speech · Realtime conversations.
Dostupné hlasy a přizpůsobení
Výběr hlasu je pro uživatelskou zkušenost s tvým hlasovým agentem zásadní. Hlas, který sedí do kontextu – profesionální pro zákaznickou podporu, vřelý pro osobního asistenta – mění způsob, jakým uživatelé agenta vnímají. Rozhraní TTS API nabízí několik odlišných hlasů, z nichž každý má svůj vlastní charakter a silné stránky.
Standardní hlasy
Dokumentace OpenAI uvádí 13 vestavěných hlasů, jejichž dostupnost se liší podle modelu:
| Hlas | gpt-4o-mini-tts | tts-1, tts-1-hd | Realtime API |
|---|---|---|---|
alloy, ash, coral, echo, sage, shimmer | Ano | Ano | Ano |
fable, nova, onyx | Ano | Ano | Ne |
ballad, verse | Ano | Ne | Ano |
marin, cedar | Ano, doporučeno | Ne | Ano, doporučeno |
OpenAI doporučuje marin nebo cedar pro nejvyšší kvalitu a upozorňuje, že hlasy jsou optimalizovány pro angličtinu. Místo spoléhání se na popisy si je poslechni ve francouzštině na OpenAI.fm, demo stránce OpenAI, pomocí vlastních frází: zabarvení, které zní skvěle v angličtině, může zklamat u názvu ulice nebo čísla.
Výběr hlasu může být dynamický v závislosti na typu obsahu. Níže uvedená tabulka je příklad, který vyplníš po poslechu, pomocí hlasů, které přijímá také tts-1:
def select_voice(context: str, tone: str = "professional") -> str:
"""Vybere optimální hlas na základě kontextu."""
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")
# Příklady
voice = select_voice("customer_service", "warm") # → shimmer
voice = select_voice("education", "professional") # → echo
voice = select_voice("narration", "authoritative") # → onyx
Hlasy v Realtime API
TTS a Realtime API sdílejí společnou rodinu hlasů, ale každé má svou vlastní sadu: Realtime API přidává marin a cedar (ty dva doporučené) a nepřijímá určité hlasy TTS jako nova nebo onyx. Hlas definuješ v session.update:
await ws.send(json.dumps({
"type": "session.update",
"session": {
"type": "realtime",
"output_modalities": ["audio"],
"audio": {"output": {"voice": "marin"}}
}
}))
Hlas zvol při vytvoření relace nebo v response.create: jakmile model vygeneruje zvuk, nemůžeš jej pro tuto relaci změnit. Pokud chceš přepnout hlasy, otevři novou relaci.
Ovlivnění stylu prostřednictvím textu
U gpt-4o-mini-tts ovládáš styl především pomocí přirozených jazykových pokynů (instructions): přízvuk, emoce, intonace, rychlost, tón, šepot (Lekce 13). tts-1 a tts-1-hd tyto pokyny nepřijímají; zbývá ti pouze interpunkce a formátování textu:
# Neutrální tón
text_neutral = "Your order has shipped. It will arrive tomorrow."
# Nadšený tón (vykřičníky)
text_excited = "Great news! Your order has shipped! It arrives tomorrow!"
# Klidný tón (dlouhé věty, čárky)
text_calm = "Your order, which was carefully prepared, has just shipped, and it should arrive sometime tomorrow."
# Explicitní pauza (pomlčka nebo tři tečky)
text_dramatic = "The result is... extraordinary."
# Důraz pomocí částečných velkých písmen
text_emphasis = "This is EXACTLY what you need."
Používání efektů podobných SSML prostřednictvím textu
Dokumentace neobsahuje SSML, ale některé efekty můžeš simulovat:
def format_for_tts(text: str, pauses: dict = None) -> str:
"""Formátuje text pro optimalizaci vykreslování TTS."""
# Přidání pauz pomocí tří teček
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."
Klíčové poznatky
- 13 hlasů pro
gpt-4o-mini-tts, 9 protts-1atts-1-hd, 10 pro Realtime API;marinacedarjsou doporučeny gpt-4o-mini-ttspřijímá pokyny pro styl (instructions); starší modely reagují pouze na interpunkci- Výběr hlasu závisí na kontextu: zákaznická podpora, vzdělávání, vyprávění, oznámení
- V Realtime API nemůžeš změnit hlas uprostřed relace
- Interpunkce přímo ovlivňuje prozodii: vykřičníky, tři tečky a pomlčky vytvářejí efekty
- Před finálním výběrem vždy otestuj hlasy na svém skutečném obsahu