Έλεγχος της Προσωδίας και του Ρυθμού Ομιλίας
Σε αυτήν τη σελίδα
Ενημερώθηκε στις 2 Νοεμβρίου 2026 — Μοντέλα ήχου. Αρκετά μοντέλα σε αυτό το μάθημα έχουν καταργηθεί: τα
tts-1,tts-1-hdκαιgpt-4o-mini-ttsθα σταματήσουν να λειτουργούν 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 στη σύνθεση φωνής μεταφέρεται στο Realtime API)· ταgpt-realtime,gpt-4o-realtimeκαι τα παλαιότερα μοντέλα ήχου στις 20 Ιανουαρίου 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5)· ταwhisper-1,gpt-4o-transcribeκαι το/v1/audio/translationsστις 26 Φεβρουαρίου 2027 (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). Για αμφίδρομη φωνή πλήρους διπλέξ, το GPT-Live 1 είναι διαθέσιμο στο API από τις 10 Σεπτεμβρίου 2026. Το μάθημα ολοκληρώθηκε στις 3 Νοεμβρίου 2026: προηγουμένως παρέλειπε τις οδηγίες φωνής για τοgpt-4o-mini-tts(instructions), τον πιο άμεσο μοχλό για τον τονισμό, το ύφος και τον ρυθμό ομιλίας, τον οποίο περιγράφει η τεκμηρίωση και τον οποίο τοtts-1δεν δέχεται. Πηγή: Text to speech.
Έλεγχος της Προσωδίας και του Ρυθμού Ομιλίας
Η προσωδία —τονισμός, ρυθμός, έμφαση και παύσεις— είναι αυτό που χωρίζει μια ρομποτική συνθετική φωνή από μια φυσική. Το TTS API της OpenAI δεν υποστηρίζει SSML, αλλά προσφέρει δύο άμεσους μοχλούς: την παράμετρο instructions για το gpt-4o-mini-tts και την παράμετρο speed, συμπληρούμενες από τεχνικές μορφοποίησης κειμένου.
Οδηγίες Φωνής για το gpt-4o-mini-tts
Με το gpt-4o-mini-tts, περιγράφετε πώς πρέπει να μιλήσει το σύστημα σε φυσική γλώσσα χρησιμοποιώντας την παράμετρο instructions. Η τεκμηρίωση αναφέρει τι ελέγχουν αυτές οι οδηγίες: προφορά, συναισθηματικό εύρος, τονισμός, μιμήσεις, ρυθμός ομιλίας, ύφος και ψίθυρος.
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")
Διατηρήστε το κείμενο προς εκφώνηση στο input και το στυλ απόδοσης στις instructions. Μην τα αναμειγνύετε, διαφορετικά κινδυνεύετε να ακούσετε την ίδια την οδηγία να εκφωνείται. Αυτές οι οδηγίες δεν λειτουργούν με τα tts-1 ή tts-1-hd· με αυτά τα μοντέλα, μόνο το speed και η μορφοποίηση κειμένου, που συζητούνται παρακάτω, επηρεάζουν το αποτέλεσμα. Δεδομένου ότι και τα τρία μοντέλα θα απενεργοποιηθούν στις 6 Ιανουαρίου 2027, η μετάβαση στο Realtime API (Μάθημα 10) ακολουθεί την ίδια αρχή: οι οδηγίες τόνου μεταφέρονται στις οδηγίες συνεδρίας ή απόκρισης.
Έλεγχος του Ρυθμού Ομιλίας με την Παράμετρο Speed
Το TTS API παρέχει την παράμετρο speed για την προσαρμογή του ρυθμού ομιλίας:
from openai import OpenAI
client = OpenAI()
# Κανονική ταχύτητα (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
)
# Πιο αργά (0.75) — για σύνθετες οδηγίες
response_slow = client.audio.speech.create(
model="tts-1",
voice="nova",
input="Your appointment is confirmed for tomorrow at two PM.",
speed=0.75
)
# Πιο γρήγορα (1.25) — για σύντομες ειδοποιήσεις
response_fast = client.audio.speech.create(
model="tts-1",
voice="nova",
input="Your appointment is confirmed for tomorrow at two PM.",
speed=1.25
)
| Ταχύτητα | Εύρος | Περίπτωση Χρήσης |
|---|---|---|
| Αργή | 0.25 — 0.75 | Σύνθετες οδηγίες, προσβασιμότητα, ηλικιωμένοι χρήστες |
| Κανονική | 0.9 — 1.1 | Συνομιλίες, εκπαίδευση, αφήγηση |
| Γρήγορη | 1.25 — 2.0 | Ειδοποιήσεις, επιβεβαιώσεις, περιλήψεις |
Τεχνικές Μορφοποίησης Κειμένου
Ο κύριος μοχλός για τον έλεγχο της προσωδίας είναι η μορφοποίηση του κειμένου εισόδου. Το μοντέλο TTS ερμηνεύει τη στίξη και τη δομή για να προσαρμόσει τον ρυθμό και τον τονισμό του.
Παύσεις
# Σύντομη παύση: κόμμα
text_comma = "First step, check your configuration."
# Μεσαία παύση: άνω και κάτω τελεία ή παύλα
text_semi = "First step — check your configuration."
# Μεγάλη παύση: τελεία ή αποσιωπητικά
text_dots = "First step. Check your configuration."
text_ellipsis = "First step... check your configuration."
# Πολύ μεγάλη παύση: ξεχωριστή παράγραφος
text_para = "First step.\n\nCheck your configuration."
Έμφαση και Τονισμός
# Ερώτηση (ανερχόμενος τονισμός)
text_question = "Would you like to confirm this reservation?"
# Επιφώνημα (φυσική έμφαση)
text_exclaim = "Congratulations! Your registration is confirmed!"
# Έμφαση μέσω κεφαλαίων
text_caps = "It is VERY important not to skip this step."
# Λίστα με ρυθμό (το μοντέλο σημαίνει φυσικά κάθε στοιχείο)
text_list = "You will need: one, your username. Two, your password. Three, your confirmation code."
Προσαρμογή Κειμένου για Πλαίσιο Φωνής
Το κείμενο γραμμένο για ανάγνωση και το κείμενο γραμμένο για εκφώνηση διαφέρουν σημαντικά. Για έναν φωνητικό πράκτορα, αναμορφώνετε συστηματικά το περιεχόμενο:
def format_for_speech(text: str) -> str:
"""Προσαρμόζει το γραπτό κείμενο για φυσική αναπαραγωγή φωνής."""
import re
# Εκφώνηση κοινών αρκτικόλεξων
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)
# Γράψιμο μικρών αριθμών ως λέξεις
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)
# Γράψιμο ωρών σε προφορική μορφή
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."
Προσαρμοστική Ταχύτητα Βάσει Περιεχομένου
Ένας ευφυής φωνητικός πράκτορας προσαρμόζει τον ρυθμό ομιλίας του ανάλογα με τον τύπο του περιεχομένου:
def adaptive_speed(content_type: str, user_preference: float = 1.0) -> float:
"""Υπολογίζει τη βέλτιστη ταχύτητα βάσει του τύπου περιεχομένου."""
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)
# Προσαρμογή με την προτίμηση χρήστη (0.5 έως 1.5)
adjusted = base * user_preference
return max(0.25, min(4.0, adjusted)) # Περιορισμός στα όρια του API
# Χρήση
speed = adaptive_speed("phone_number", user_preference=0.9)
# → 0.63 (αργό για υπαγόρευση αριθμού)
Μετεπεξεργασία Ήχου
Για ακόμη λεπτομερέστερο έλεγχο, επεξεργάζεστε τον ήχο μετά τη δημιουργία του:
from pydub import AudioSegment
def post_process_speech(audio_bytes: bytes, adjustments: dict) -> bytes:
"""Μετεπεξεργασία ήχου για λεπτές προσαρμογές."""
import io
audio = AudioSegment.from_mp3(io.BytesIO(audio_bytes))
# Προσαρμογή έντασης
if "volume_db" in adjustments:
audio = audio + adjustments["volume_db"]
# Προσθήκη σταδιακής εμφάνισης/εξασθένησης (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"])
# Προσθήκη σιωπής στην αρχή (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()
Βασικά σημεία
- Με το
gpt-4o-mini-tts, τοinstructionsπεριγράφει πώς να μιλήσει (ύφος, τονισμός, ρυθμός, προφορά)· ταtts-1καιtts-1-hdδεν δέχονται αυτή την παράμετρο - Η παράμετρος
speed(0.25 έως 4.0) ελέγχει τον συνολικό ρυθμό ομιλίας - Η στίξη είναι ο κύριος μοχλός για τις παύσεις: κόμμα (σύντομη), τελεία (μεγάλη), αποσιωπητικά (δραματική)
- Προσαρμόζετε το κείμενο για φωνητικό πλαίσιο: εκφωνείτε αρκτικόλεξα, γράφετε αριθμούς ως λέξεις, αναδιατυπώνετε ώρες
- Ποικίλλετε την ταχύτητα ανά περιεχόμενο: αργά για αριθμούς και διευθύνσεις, γρήγορα για επιβεβαιώσεις
- Η μετεπεξεργασία ήχου (ένταση, σταδιακές μεταβάσεις, σιωπή) βελτιώνει το τελικό αποτέλεσμα