Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Διαθέσιμες φωνές και προσαρμογή

Μάθημα 11 / 18 Ενημερώθηκε 3 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Διαθέσιμες φωνές και προσαρμογή
  2. Τυπικές φωνές
  3. Φωνές στο Realtime API
  4. Επιρροή του ύφους μέσω κειμένου
  5. Βασικά σημεία

Ενημέρωση 2 Νοεμβρίου 2026 — Μοντέλα ήχου. Αρκετά μοντέλα σε αυτό το μάθημα έχουν καταργηθεί: τα tts-1, tts-1-hd και gpt-4o-mini-tts θα απενεργοποιηθούν στις 6 Ιανουαρίου 2027 (διάδοχος: gpt-realtime-2.1-mini, το οποίο ο οδηγός TTS της OpenAI αναφέρει ότι δεν υποστηρίζεται από το /v1/audio/speech: η μετάβαση στο TTS απαιτεί το Realtime API)· τα gpt-realtime, gpt-4o-realtime και τα παλαιότερα μοντέλα ήχου στις 20 Ιανουαρίου 2027 (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5)· τα whisper-1, gpt-4o-transcribe και το /v1/audio/translations στις 26 Φεβρουαρίου 2027 (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). Για αμφίδρομη ομιλία πλήρους διπλέξ, το GPT-Live 1 είναι διαθέσιμο στο API από τις 10 Σεπτεμβρίου 2026. Το μάθημα διορθώθηκε στις 3 Νοεμβρίου 2026: οι «έξι κύριες φωνές» και οι προσωπικότητές τους δεν αντιστοιχούσαν πλέον στην τεκμηρίωση, η οποία απαριθμεί 13 φωνές για το gpt-4o-mini-tts, 9 για τα tts-1 και tts-1-hd, και 10 για το Realtime API· το gpt-4o-mini-tts δέχεται οδηγίες ύφους (instructions)· η φωνή σε μια συνεδρία Realtime είναι σταθερή μέχρι την πρώτη απόκριση ήχου. Πηγές: Text to speech · Realtime conversations.

Διαθέσιμες φωνές και προσαρμογή

Η επιλογή φωνής είναι καθοριστική για την εμπειρία χρήστη του φωνητικού σας πράκτορα. Μια φωνή που ταιριάζει στο πλαίσιο—επαγγελματική για την εξυπηρέτηση πελατών, θερμή για έναν προσωπικό βοηθό—μεταμορφώνει τον τρόπο με τον οποίο οι χρήστες αντιλαμβάνονται τον πράκτορα. Το API TTS προσφέρει αρκετές διακριτές φωνές, η καθεμία με τον δικό της χαρακτήρα και τα δικά της πλεονεκτήματα.

Τυπικές φωνές

Η τεκμηρίωση της OpenAI απαριθμεί 13 ενσωματωμένες φωνές, με τη διαθεσιμότητα να ποικίλλει ανάλογα με το μοντέλο:

Φωνήgpt-4o-mini-ttstts-1, tts-1-hdRealtime API
alloy, ash, coral, echo, sage, shimmerΝαιΝαιΝαι
fable, nova, onyxΝαιΝαιΌχι
ballad, verseΝαιΌχιΝαι
marin, cedarΝαι, συνιστάταιΌχιΝαι, συνιστάται

Η OpenAI συνιστά τις marin ή cedar για την υψηλότερη ποιότητα και σημειώνει ότι οι φωνές είναι βελτιστοποιημένες για την αγγλική γλώσσα. Αντί να βασίζεστε σε περιγραφές, ακούστε τες στα γαλλικά στον ιστότοπο επίδειξης της OpenAI, OpenAI.fm, χρησιμοποιώντας τις δικές σας φράσεις: μια χροιά που ακούγεται εξαιρετική στα αγγλικά μπορεί να σας απογοητεύσει σε ένα όνομα οδού ή έναν αριθμό.

Η επιλογή φωνής μπορεί να είναι δυναμική, ανάλογα με τον τύπο του περιεχομένου. Ο παρακάτω πίνακας είναι ένα παράδειγμα προς συμπλήρωση μετά την ακρόαση, χρησιμοποιώντας φωνές που δέχεται και το tts-1:

def select_voice(context: str, tone: str = "professional") -> str:
    """Επιλέγει τη βέλτιστη φωνή με βάση το πλαίσιο."""
    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")

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

Φωνές στο Realtime API

Το TTS και το Realtime API μοιράζονται μια κοινή οικογένεια φωνών, αλλά το καθένα έχει το δικό του σύνολο: το Realtime API προσθέτει τις marin και cedar (τις δύο συνιστώμενες) και δεν δέχεται ορισμένες φωνές TTS όπως οι nova ή onyx. Ορίζετε τη φωνή στο session.update:

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

Επιλέξτε τη φωνή κατά τη δημιουργία της συνεδρίας ή σε ένα response.create: μόλις το μοντέλο παράγει ήχο, δεν μπορείτε να την αλλάξετε για εκείνη τη συνεδρία. Για να αλλάξετε φωνές, ανοίξτε μια νέα συνεδρία.

Επιρροή του ύφους μέσω κειμένου

Με το gpt-4o-mini-tts, ελέγχετε το ύφος πρώτα μέσω οδηγιών φυσικής γλώσσας (instructions): προφορά, συναίσθημα, τονισμός, ταχύτητα, τόνος, ψιθυριστή ομιλία (Μάθημα 13). Τα tts-1 και tts-1-hd δεν δέχονται αυτές τις οδηγίες· σας απομένουν η στίξη και η μορφοποίηση του κειμένου:

# Ουδέτερος τόνος
text_neutral = "Your order has shipped. It will arrive tomorrow."

# Ενθουσιώδης τόνος (θαυμαστικά)
text_excited = "Great news! Your order has shipped! It arrives tomorrow!"

# Ήρεμος τόνος (μακρές προτάσεις, κόμματα)
text_calm = "Your order, which was carefully prepared, has just shipped, and it should arrive sometime tomorrow."

# Ρητή παύση (παύλα ή αποσιωπητικά)
text_dramatic = "The result is... extraordinary."

# Έμφαση μέσω μερικής κεφαλαιοποίησης
text_emphasis = "This is EXACTLY what you need."

Χρήση εφέ τύπου SSML μέσω κειμένου

Η τεκμηρίωση δεν περιλαμβάνει το SSML, αλλά μπορείτε να προσομοιώσετε ορισμένα εφέ:

def format_for_tts(text: str, pauses: dict = None) -> str:
    """Μορφοποιεί το κείμενο για βελτιστοποίηση της απόδοσης TTS."""
    # Προσθήκη παύσεων μέσω αποσιωπητικών
    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."

Βασικά σημεία

  • 13 φωνές για το gpt-4o-mini-tts, 9 για τα tts-1 και tts-1-hd, 10 για το Realtime API· οι marin και cedar συνιστώνται
  • Το gpt-4o-mini-tts δέχεται οδηγίες ύφους (instructions)· τα παλαιότερα μοντέλα ανταποκρίνονται μόνο στη στίξη
  • Η επιλογή φωνής εξαρτάται από το πλαίσιο: εξυπηρέτηση πελατών, εκπαίδευση, αφήγηση, ειδοποιήσεις
  • Δεν μπορείτε να αλλάξετε τη φωνή κατά τη διάρκεια μιας συνεδρίας στο Realtime API
  • Η στίξη επηρεάζει άμεσα την προσοδία: τα θαυμαστικά, τα αποσιωπητικά και οι παύλες δημιουργούν εφέ
  • Δοκιμάζετε πάντα τις φωνές στο πραγματικό σας περιεχόμενο πριν λάβετε μια τελική απόφαση