Verfügbare Stimmen und Anpassungsmöglichkeiten

Update vom 2. November 2026 — Audio-Modelle. Mehrere Modelle in diesem Kurs wurden eingestellt: tts-1, tts-1-hd und gpt-4o-mini-tts werden am 6. Januar 2027 abgeschaltet (Nachfolger: gpt-realtime-2.1-mini, der laut OpenAI TTS-Anleitung nicht über /v1/audio/speech unterstützt wird: Die TTS-Migration erfordert die Realtime API); gpt-realtime, gpt-4o-realtime und veraltete Audio-Modelle am 20. Januar 2027 (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); whisper-1, gpt-4o-transcribe und /v1/audio/translations am 26. Februar 2027 (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). Für die Voll-Duplex-Stimme ist GPT-Live 1 seit dem 10. September 2026 in der API verfügbar. Lektion korrigiert am 3. November 2026: Die „sechs Hauptstimmen” und deren Persönlichkeiten entsprachen nicht mehr der Dokumentation, die 13 Stimmen für gpt-4o-mini-tts, 9 für tts-1 und tts-1-hd sowie 10 für die Realtime API auflistet; gpt-4o-mini-tts akzeptiert Stil-Anweisungen (instructions); die Stimme in einer Realtime-Sitzung ist bis zur ersten Audioantwort festgelegt. Quellen: Text-to-Speech · Realtime-Gespräche.

Die Wahl der Stimme ist entscheidend für die Benutzererfahrung Ihres Sprachagents. Eine Stimme, die zum Kontext passt – professionell für den Kundenservice, warm für einen persönlichen Assistenten – verändert die Wahrnehmung des Agents durch die Nutzer. Die TTS-API bietet mehrere deutlich unterscheidbare Stimmen, jede mit eigenem Charakter und Stärken.

Standardstimmen

Die Dokumentation von OpenAI listet 13 integrierte Stimmen auf, wobei die Verfügbarkeit je nach Modell variiert:

Stimme	`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	Nein
`ballad`, `verse`	Ja	Nein	Ja
`marin`, `cedar`	Ja, empfohlen	Nein	Ja, empfohlen

OpenAI empfiehlt marin oder cedar für die höchste Qualität und vermerkt, dass die Stimmen für Englisch optimiert sind. Anstatt sich auf Beschreibungen zu verlassen, hören Sie sie auf OpenAI.fm, der Demo-Seite von OpenAI, mit eigenen Phrasen selbst: Ein Timbre, das auf Englisch hervorragend klingt, kann bei Straßennamen oder Zahlen enttäuschen.

Die Stimmenselektion kann dynamisch basierend auf dem Inhaltstyp erfolgen. Die folgende Tabelle ist ein Beispiel zum Ausfüllen nach dem Hören, unter Verwendung von Stimmen, die auch von tts-1 akzeptiert werden:

def select_voice(context: str, tone: str = "professional") -> str:
    """Wählt die optimale Stimme basierend auf dem Kontext."""
    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")

# Beispiele
voice = select_voice("customer_service", "warm")    # → shimmer
voice = select_voice("education", "professional")    # → echo
voice = select_voice("narration", "authoritative")   # → onyx

Stimmen in der Realtime API

TTS und die Realtime API teilen sich eine gemeinsame Stimmenfamilie, aber jede verfügt über ihr eigenes Set: Die Realtime API fügt marin und cedar (die beiden empfohlenen) hinzu und akzeptiert bestimmte TTS-Stimmen wie nova oder onyx nicht. Sie definieren die Stimme in session.update:

await ws.send(json.dumps({
    "type": "session.update",
    "session": {
        "type": "realtime",
        "output_modalities": ["audio"],
        "audio": {"output": {"voice": "marin"}}
    }
}))

Wählen Sie die Stimme bei der Sitzungs-Erstellung oder in einem response.create: Sobald das Modell Audio erzeugt, können Sie die Stimme für diese Sitzung nicht mehr ändern. Um Stimmen zu wechseln, öffnen Sie eine neue Sitzung.

Stilbeeinflussung durch Text

Mit gpt-4o-mini-tts steuern Sie den Stil primär durch natürliche Sprachanweisungen (instructions): Akzent, Emotion, Intonation, Geschwindigkeit, Tonfall, Flüstern (Lektion 13). tts-1 und tts-1-hd akzeptieren diese nicht; Sie sind auf Satzzeichen und Textformatierung angewiesen:

# Neutraler Ton
text_neutral = "Ihre Bestellung wurde versendet. Sie wird morgen eintreffen."

# Begeisterter Ton (Ausrufezeichen)
text_excited = "Großartige Neuigkeiten! Ihre Bestellung wurde versendet! Sie trifft morgen ein!"

# Ruhiger Ton (lange Sätze, Kommas)
text_calm = "Ihre Bestellung, die sorgfältig vorbereitet wurde, wurde gerade versendet und sollte irgendwann morgen eintreffen."

# Explizite Pause (Gedankenstrich oder Ellipse)
text_dramatic = "Das Ergebnis ist... außerordentlich."

# Betonung durch teilweise Großschreibung
text_emphasis = "Das ist EXACTLY das, was Sie brauchen."

Verwendung von SSML-ähnlichen Effekten über Text

Die Dokumentation enthält keine SSML, aber Sie können einige Effekte simulieren:

def format_for_tts(text: str, pauses: dict = None) -> str:
    """Formatiert Text zur Optimierung der TTS-Wiedergabe."""
    # Fügt Pausen über Ellipsen hinzu
    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."

Kernaussagen

13 Stimmen für gpt-4o-mini-tts, 9 für tts-1 und tts-1-hd, 10 für die Realtime API; marin und cedar werden empfohlen
gpt-4o-mini-tts akzeptiert Stil-Anweisungen (instructions); ältere Modelle reagieren nur auf Satzzeichen
Die Stimmwahl hängt vom Kontext ab: Kundenservice, Bildung, Erzählung, Benachrichtigungen
Die Stimme kann in der Realtime API nicht mitten in einer Sitzung geändert werden
Satzzeichen beeinflussen direkt die Prosodie: Ausrufezeichen, Ellipsen und Striche erzeugen Effekte
Testen Sie Stimmen immer auf Ihrem tatsächlichen Inhalt, bevor Sie eine endgültige Entscheidung treffen