Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Styring af prosodi og talehastighed

Lektion 13 af 18 Opdateret 3. november 2026 Udvikler
På denne side
  1. Styring af prosodi og talehastighed
  2. Taleinstruktioner til gpt-4o-mini-tts
  3. Styring af talehastighed med speed-parameteren
  4. Teknikker til tekstformatering
  5. Tilpasning af tekst til talekontekst
  6. Adaptiv hastighed baseret på indhold
  7. Efterbehandling af lyd
  8. Vigtige pointer

Opdateret 2. november 2026 — Lydmodeller. Flere modeller i dette kursus er udfaset: tts-1, tts-1-hd og gpt-4o-mini-tts ophører med at fungere den 6. januar 2027 (efterfølger: gpt-realtime-2.1-mini, som OpenAI TTS-guiden angiver ikke understøttes af /v1/audio/speech: migration af talesyntese flytter til Realtime API); gpt-realtime, gpt-4o-realtime og ældre lydmodeller den 20. januar 2027 (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); whisper-1, gpt-4o-transcribe og /v1/audio/translations den 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. Lektion afsluttet 3. november 2026: den udelod tidligere taleinstruktioner for gpt-4o-mini-tts (instructions), den mest direkte løftestang for intonation, tone og talehastighed, hvilket dokumentationen beskriver, og som tts-1 ikke accepterer. Kilde: Text to speech.

Styring af prosodi og talehastighed

Prosodi – intonation, rytme, tryk og pauser – er det, der adskiller en robotagtig syntetisk stemme fra en naturlig. OpenAI’s TTS-API understøtter ikke SSML, men det tilbyder to direkte løftestænger: parameteret instructions til gpt-4o-mini-tts og parameteret speed, suppleret af teknikker til tekstformatering.

Taleinstruktioner til gpt-4o-mini-tts

Med gpt-4o-mini-tts beskriver du, hvordan der skal tales, på naturligt sprog ved hjælp af parameteret instructions. Dokumentationen lister, hvad disse instruktioner styrer: accent, følelsesmæssigt spændvidde, intonation, efterligninger, talehastighed, tone og hvisken.

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")

Hold teksten, der skal tales, i input og leveringsstilen i instructions. Bland dem ikke, ellers risikerer du at høre selve instruktionen blive talt højt. Disse instruktioner fungerer ikke med tts-1 eller tts-1-hd; med disse modeller påvirker kun speed og tekstformatering, diskuteret nedenfor, outputtet. Da alle tre modeller udfases den 6. januar 2027, følger migration til Realtime API (Lektion 10) dette samme princip: toneinstruktioner flyttes til sessions- eller svarinstruktioner.

Styring af talehastighed med speed-parameteren

TTS-API’en tilbyder en speed-parameter til at justere talehastigheden:

from openai import OpenAI

client = OpenAI()

# Normal hastighed (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
)

# Langsommere (0.75) — til komplekse instruktioner
response_slow = client.audio.speech.create(
    model="tts-1",
    voice="nova",
    input="Your appointment is confirmed for tomorrow at two PM.",
    speed=0.75
)

# Hurtigere (1.25) — til korte notifikationer
response_fast = client.audio.speech.create(
    model="tts-1",
    voice="nova",
    input="Your appointment is confirmed for tomorrow at two PM.",
    speed=1.25
)
Hastighed Område Anvendelsestilfælde
Langsom 0.25 — 0.75 Komplekse instruktioner, tilgængelighed, ældre brugere
Normal 0.9 — 1.1 Samtaler, træning, fortælling
Hurtig 1.25 — 2.0 Notifikationer, bekræftelser, resuméer

Teknikker til tekstformatering

Den primære løftestang til styring af prosodi er formatering af inputteksten. TTS-modellen fortolker tegnsætning og struktur for at tilpasse sin hastighed og intonation.

Pauser

# Kort pause: komma
text_comma = "First step, check your configuration."

# Mellemlang pause: semikolon eller tankestreg
text_semi = "First step — check your configuration."

# Lang pause: punktum eller ellipser
text_dots = "First step. Check your configuration."
text_ellipsis = "First step... check your configuration."

# Meget lang pause: separat afsnit
text_para = "First step.\n\nCheck your configuration."

Betoning og intonation

# Spørgsmål (stigende intonation)
text_question = "Would you like to confirm this reservation?"

# Udråb (naturlig betoning)
text_exclaim = "Congratulations! Your registration is confirmed!"

# Betoning via store bogstaver
text_caps = "It is VERY important not to skip this step."

# Liste med rytme (modellen markerer naturligt hvert punkt)
text_list = "You will need: one, your username. Two, your password. Three, your confirmation code."

Tilpasning af tekst til talekontekst

Tekst skrevet til læsning og tekst skrevet til tale er meget forskellige. Til en taleagent skal du systematisk omformatere indhold:

def format_for_speech(text: str) -> str:
    """Tilpasser skriftlig tekst til naturlig taleafspilning."""
    import re

    # Staver almindelige akronymer ud
    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)

    # Skriv små tal som ord
    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)

    # Skriv klokkeslæt i talt format
    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."

Adaptiv hastighed baseret på indhold

En intelligent taleagent tilpasser sin talehastighed til indholdstypen:

def adaptive_speed(content_type: str, user_preference: float = 1.0) -> float:
    """Beregner optimal hastighed baseret på indholdstype."""
    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)
    # Juster med brugerpræference (0.5 til 1.5)
    adjusted = base * user_preference
    return max(0.25, min(4.0, adjusted))  # Begræns til API-grænser

# Brug
speed = adaptive_speed("phone_number", user_preference=0.9)
# → 0.63 (langsom til diktering af et nummer)

Efterbehandling af lyd

For endnu finere kontrol kan du behandle lyden efter generering:

from pydub import AudioSegment

def post_process_speech(audio_bytes: bytes, adjustments: dict) -> bytes:
    """Efterbehandling af lyd til fine justeringer."""
    import io
    audio = AudioSegment.from_mp3(io.BytesIO(audio_bytes))

    # Juster lydstyrke
    if "volume_db" in adjustments:
        audio = audio + adjustments["volume_db"]

    # Tilføj 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"])

    # Tilføj stilhed i starten (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()

Vigtige pointer

  • Med gpt-4o-mini-tts beskriver instructions, hvordan der skal tales (tone, intonation, hastighed, accent); tts-1 og tts-1-hd accepterer ikke denne parameter
  • Parameteret speed (0.25 til 4.0) styrer den samlede talehastighed
  • Tegnsætning er den primære løftestang for pauser: komma (kort), punktum (langt), ellipser (dramatisk)
  • Tilpas tekst til talekontekst: stav akronymer ud, skriv tal som ord, omformulér klokkeslæt
  • Variér hastigheden efter indhold: langsomt til numre og adresser, hurtigt til bekræftelser
  • Efterbehandling af lyd (lydstyrke, fades, stilhed) forfiner det endelige output