Tilgængelige stemmer og tilpasning
På denne side
Opdatering 2. november 2026 — Lydmodeller. Flere modeller i dette kursus er udfaset:
tts-1,tts-1-hdoggpt-4o-mini-ttslukker ned den 6. januar 2027 (efterfølger:gpt-realtime-2.1-mini, som OpenAI TTS-guiden angiver ikke understøttes af/v1/audio/speech: TTS-migration kræver Realtime API);gpt-realtime,gpt-4o-realtimeog ældre lydmodeller den 20. januar 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribeog/v1/audio/translationsden 26. februar 2027 (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). Til fuld-duplex tale har GPT-Live 1 været tilgængelig i API’en siden 10. september 2026. Lektien korrigeret 3. november 2026: De „seks hovedstemmer” og deres personligheder matchede ikke længere dokumentationen, som lister 13 stemmer tilgpt-4o-mini-tts, 9 tiltts-1ogtts-1-hd, og 10 til Realtime API;gpt-4o-mini-ttsaccepterer stilinstruktioner (instructions); stemmen i en Realtime-session er låst indtil det første lydsvar. Kilder: Text to speech · Realtime conversations.
Tilgængelige stemmer og tilpasning
Valget af stemme er afgørende for brugeroplevelsen af din taleagent. En stemme, der passer til konteksten – professionel til kundeservice, varm til en personlig assistent – ændrer fuldstændigt på, hvordan brugeren opfatter agenten. TTS-API’en tilbyder flere distinkte stemmer, hver med sin egen karakter og styrker.
Standardstemmer
OpenAIs dokumentation lister 13 indbyggede stemmer, hvor tilgængeligheden varierer afhængigt af modellen:
| Stemme | gpt-4o-mini-tts | tts-1, tts-1-hd | Realtime API |
|---|---|---|---|
alloy, ash, coral, echo, sage, shimmer | Ja | Ja | Ja |
fable, nova, onyx | Ja | Ja | Nej |
ballad, verse | Ja | Nej | Ja |
marin, cedar | Ja, anbefales | Nej | Ja, anbefales |
OpenAI anbefaler marin eller cedar for højeste kvalitet og bemærker, at stemmerne er optimeret til engelsk. I stedet for at stole på beskrivelser bør du lytte til dem på OpenAI.fm, OpenAIs demoside, ved at bruge dine egne sætninger: En klangfarve, der lyder fantastisk på engelsk, kan skuffe, når den skal udtale et gadenavn eller et tal.
Valget af stemme kan være dynamisk baseret på indholdstype. Tabellen nedenfor er et eksempel, du skal udfylde efter at have lyttet, ved at bruge stemmer, som tts-1 også accepterer:
def select_voice(context: str, tone: str = "professional") -> str:
"""Vælger den optimale stemme baseret på kontekst."""
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")
# Eksempler
voice = select_voice("customer_service", "warm") # → shimmer
voice = select_voice("education", "professional") # → echo
voice = select_voice("narration", "authoritative") # → onyx
Stemmer i Realtime API
TTS og Realtime API deler en fælles stemmefamilie, men hver har sit eget sæt: Realtime API tilføjer marin og cedar (de to anbefalede) og accepterer ikke visse TTS-stemmer som nova eller onyx. Du definerer stemmen i session.update:
await ws.send(json.dumps({
"type": "session.update",
"session": {
"type": "realtime",
"output_modalities": ["audio"],
"audio": {"output": {"voice": "marin"}}
}
}))
Vælg stemmen ved oprettelse af sessionen eller i en response.create: Når modellen først har produceret lyd, kan du ikke ændre stemmen for den pågældende session. For at skifte stemme skal du åbne en ny session.
Påvirkning af stil gennem tekst
Med gpt-4o-mini-tts styrer du stilen primært gennem instruktioner i naturligt sprog (instructions): accent, emotion, intonation, hastighed, tone, hvisken (Lektion 13). tts-1 og tts-1-hd accepterer ikke disse; her er du henvist til tegnsætning og tekstformatering:
# Neutral tone
text_neutral = "Your order has shipped. It will arrive tomorrow."
# Entusiastisk tone (udråbstegn)
text_excited = "Great news! Your order has shipped! It arrives tomorrow!"
# Rolig tone (lange sætninger, kommaer)
text_calm = "Your order, which was carefully prepared, has just shipped, and it should arrive sometime tomorrow."
# Eksplicit pause (tankestreg eller ellipser)
text_dramatic = "The result is... extraordinary."
# Vægt via delvis brug af store bogstaver
text_emphasis = "This is EXACTLY what you need."
Brug af SSML-lignende effekter via tekst
Dokumentationen indeholder ikke SSML, men du kan simulere nogle effekter:
def format_for_tts(text: str, pauses: dict = None) -> str:
"""Formaterer tekst for at optimere TTS-gengivelse."""
# Tilføj pauser via ellipser
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."
Vigtige pointer
- 13 stemmer til
gpt-4o-mini-tts, 9 tiltts-1ogtts-1-hd, 10 til Realtime API;marinogcedaranbefales gpt-4o-mini-ttsaccepterer stilinstruktioner (instructions); ældre modeller reagerer kun på tegnsætning- Valg af stemme afhænger af konteksten: kundeservice, uddannelse, oplæsning, notifikationer
- Du kan ikke ændre stemmen midt i en session i Realtime API
- Tegnsætning påvirker direkte prosodi: udråbstegn, ellipser og tankestreger skaber effekter
- Test altid stemmer på dit faktiske indhold, før du træffer et endeligt valg