Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Ovládání prozodie a rychlosti řeči

Lekce 13 z 18 Aktualizováno 3. listopadu 2026 Vývojář
Na této stránce
  1. Ovládání prozodie a rychlosti řeči
  2. Hlasové instrukce pro gpt-4o-mini-tts
  3. Ovládání rychlosti řeči pomocí parametru Speed
  4. Techniky formátování textu
  5. Přizpůsobení textu pro hlasový kontext
  6. Adaptivní rychlost na základě obsahu
  7. Postprodukce zvuku
  8. Klíčové poznatky

Aktualizováno 2. listopadu 2026 — Zvukové modely. Několik modelů v tomto kurzu je zastaralých: tts-1, tts-1-hd a gpt-4o-mini-tts přestanou fungovat 6. ledna 2027 (nástupce: gpt-realtime-2.1-mini, který podle průvodce OpenAI TTS nepodporuje /v1/audio/speech: migrace syntézy hlasu přechází na Realtime API); gpt-realtime, gpt-4o-realtime a starší zvukové modely 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 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 dokončena 3. listopadu 2026: dříve vynechávala hlasové instrukce pro gpt-4o-mini-tts (instructions), což je nejpřímější páka pro intonaci, tón a rychlost řeči, kterou dokumentace popisuje a kterou tts-1 nepřijímá. Zdroj: Text to speech.

Ovládání prozodie a rychlosti řeči

Prozodie – intonace, rytmus, důraz a pauzy – je tím, co odděluje robotický syntetický hlas od přirozeného. API pro TTS od OpenAI nepodporuje SSML, ale nabízí dvě přímé páky: parametr instructions pro gpt-4o-mini-tts a parametr speed, doplněné o techniky formátování textu.

Hlasové instrukce pro gpt-4o-mini-tts

U modelu gpt-4o-mini-tts popisuješ způsob řeči přirozeným jazykem pomocí parametru instructions. Dokumentace uvádí, co tyto instrukce řídí: přízvuk, emoční rozsah, intonaci, imitace, rychlost řeči, tón a šepot.

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")

Text k přečtení nech v parametru input a styl přednesu v instructions. Nemíchej je dohromady, jinak riskuješ, že uslyšíš samotnou instrukci vyslovenou nahlas. Tyto instrukce nefungují s tts-1 ani tts-1-hd; u těchto modelů ovlivňují výstup pouze speed a formátování textu, o kterých je řeč níže. Protože všechny tři modely končí svou životnost 6. ledna 2027, migrace na Realtime API (lekce 10) se řídí stejným principem: instrukce pro tón se přesouvají do instrukcí relace nebo odpovědi.

Ovládání rychlosti řeči pomocí parametru Speed

API pro TTS poskytuje parametr speed pro úpravu rychlosti mluvčího:

from openai import OpenAI

client = OpenAI()

# Normální rychlost (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
)

# Pomalejší (0.75) — pro složité instrukce
response_slow = client.audio.speech.create(
    model="tts-1",
    voice="nova",
    input="Your appointment is confirmed for tomorrow at two PM.",
    speed=0.75
)

# Rychlejší (1.25) — pro krátká oznámení
response_fast = client.audio.speech.create(
    model="tts-1",
    voice="nova",
    input="Your appointment is confirmed for tomorrow at two PM.",
    speed=1.25
)
Rychlost Rozsah Případ použití
Pomalá 0.25 — 0.75 Složité instrukce, přístupnost, starší uživatelé
Normální 0.9 — 1.1 Konverzace, školení, vyprávění
Rychlá 1.25 — 2.0 Oznámení, potvrzení, shrnutí

Techniky formátování textu

Hlavní pákou pro ovládání prozodie je formátování vstupního textu. Model TTS interpretuje interpunkci a strukturu, aby přizpůsobil svou rychlost a intonaci.

Pauzy

# Krátká pauza: čárka
text_comma = "First step, check your configuration."

# Střední pauza: středník nebo pomlčka
text_semi = "First step — check your configuration."

# Dlouhá pauza: tečka nebo výpustka
text_dots = "First step. Check your configuration."
text_ellipsis = "First step... check your configuration."

# Velmi dlouhá pauza: samostatný odstavec
text_para = "First step.\n\nCheck your configuration."

Důraz a intonace

# Otázka (stoupavá intonace)
text_question = "Would you like to confirm this reservation?"

# Vykřičník (přirozený důraz)
text_exclaim = "Congratulations! Your registration is confirmed!"

# Důraz pomocí velkých písmen
text_caps = "It is VERY important not to skip this step."

# Seznam s rytmem (model přirozeně označí každou položku)
text_list = "You will need: one, your username. Two, your password. Three, your confirmation code."

Přizpůsobení textu pro hlasový kontext

Text psaný pro čtení a text psaný pro mluvené slovo se velmi liší. U hlasového agenta systematicky přeformátuj obsah:

def format_for_speech(text: str) -> str:
    """Přizpůsobí psaný text pro přirozenou hlasovou reprodukci."""
    import re

    # Hláskování běžných zkratek
    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)

    # Zápis malých čísel slovy
    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)

    # Zápis času v mluveném formátu
    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."

Adaptivní rychlost na základě obsahu

Inteligentní hlasový agent přizpůsobuje rychlost řeči typu obsahu:

def adaptive_speed(content_type: str, user_preference: float = 1.0) -> float:
    """Vypočítá optimální rychlost na základě typu obsahu."""
    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)
    # Úprava podle uživatelské preference (0.5 až 1.5)
    adjusted = base * user_preference
    return max(0.25, min(4.0, adjusted))  # Omezení na limity API

# Použití
speed = adaptive_speed("phone_number", user_preference=0.9)
# → 0.63 (pomalu pro diktování čísla)

Postprodukce zvuku

Pro ještě jemnější kontrolu zpracuj zvuk po vygenerování:

from pydub import AudioSegment

def post_process_speech(audio_bytes: bytes, adjustments: dict) -> bytes:
    """Postprodukce zvuku pro jemné úpravy."""
    import io
    audio = AudioSegment.from_mp3(io.BytesIO(audio_bytes))

    # Úprava hlasitosti
    if "volume_db" in adjustments:
        audio = audio + adjustments["volume_db"]

    # Přidání prolínání (fade in/out)
    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"])

    # Přidání ticha na začátek (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()

Klíčové poznatky

  • U gpt-4o-mini-tts parametr instructions popisuje, jak mluvit (tón, intonace, rychlost, přízvuk); tts-1 a tts-1-hd tento parametr nepřijímají
  • Parametr speed (0.25 až 4.0) ovládá celkovou rychlost řeči
  • Interpunkce je hlavní pákou pro pauzy: čárka (krátká), tečka (dlouhá), výpustka (dramatická)
  • Přizpůsob text pro hlasový kontext: hláskuj zkratky, zapisuj čísla slovy, přeformuluj časy
  • Měň rychlost podle obsahu: pomalu pro čísla a adresy, rychle pro potvrzení
  • Postprodukce zvuku (hlasitost, prolínání, ticho) upravuje finální výstup