Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Dostupné hlasy a přizpůsobení

Lekce 11 z 18 Aktualizováno 3. listopadu 2026 Vývojář
Na této stránce
  1. Dostupné hlasy a přizpůsobení
  2. Standardní hlasy
  3. Hlasy v Realtime API
  4. Ovlivnění stylu prostřednictvím textu
  5. Klíčové poznatky

Aktualizace 2. listopadu 2026 — Zvukové modely. Několik modelů v tomto kurzu je zastaralých: tts-1, tts-1-hd a gpt-4o-mini-tts budou 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-realtime a starší zvukové modely skončí 20. ledna 2027 (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); whisper-1, gpt-4o-transcribe a /v1/audio/translations skončí 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 pro gpt-4o-mini-tts, 9 pro tts-1 a tts-1-hd a 10 pro Realtime API; gpt-4o-mini-tts přijímá 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:

Hlasgpt-4o-mini-ttstts-1, tts-1-hdRealtime API
alloy, ash, coral, echo, sage, shimmerAnoAnoAno
fable, nova, onyxAnoAnoNe
ballad, verseAnoNeAno
marin, cedarAno, doporučenoNeAno, 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 pro tts-1 a tts-1-hd, 10 pro Realtime API; marin a cedar jsou doporučeny
  • gpt-4o-mini-tts přijímá 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