Ovládání prozodie a rychlosti řeči
Na této stránce
Aktualizováno 2. listopadu 2026 — Zvukové modely. Několik modelů v tomto kurzu je zastaralých:
tts-1,tts-1-hdagpt-4o-mini-ttspřestanou 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-realtimea starší zvukové modely 20. ledna 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribea/v1/audio/translations26. 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 progpt-4o-mini-tts(instructions), což je nejpřímější páka pro intonaci, tón a rychlost řeči, kterou dokumentace popisuje a kteroutts-1nepřijímá. 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-ttsparametrinstructionspopisuje, jak mluvit (tón, intonace, rychlost, přízvuk);tts-1atts-1-hdtento 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