Ir al contenido principal
Español— Elegir un idioma
Menú

Control de la prosodia y la velocidad del habla

Lección 13 de 18 Actualizado el 3 de noviembre de 2026 Desarrollador
En esta página
  1. Control de la prosodia y la velocidad del habla
  2. Instrucciones de voz para gpt-4o-mini-tts
  3. Control de la velocidad del habla con el parámetro Speed
  4. Técnicas de formato de texto
  5. Adaptación del texto al contexto de voz
  6. Velocidad adaptativa según el contenido
  7. Posprocesamiento de audio
  8. Puntos clave

Actualizado el 2 de noviembre de 2026 — Modelos de audio. Varios modelos de este curso están obsoletos: tts-1, tts-1-hd y gpt-4o-mini-tts dejarán de funcionar el 6 de enero de 2027 (sucesor: gpt-realtime-2.1-mini, que la guía de TTS de OpenAI indica que no es compatible con /v1/audio/speech: la migración de la síntesis de voz se traslada a la Realtime API); gpt-realtime, gpt-4o-realtime y los modelos de audio heredados el 20 de enero de 2027 (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); whisper-1, gpt-4o-transcribe y /v1/audio/translations el 26 de febrero de 2027 (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). Para la voz a dúplex completo, GPT-Live 1 está disponible en la API desde el 10 de septiembre de 2026. Lección completada el 3 de noviembre de 2026: anteriormente omitía las instrucciones de voz para gpt-4o-mini-tts (instructions), la palanca más directa para la entonación, el tono y la velocidad del habla, que la documentación describe y que tts-1 no acepta. Fuente: Text to speech.

Control de la prosodia y la velocidad del habla

La prosodia —entonación, ritmo, énfasis y pausas— es lo que separa una voz sintética robótica de una natural. La API de TTS de OpenAI no admite SSML, pero ofrece dos palancas directas: el parámetro instructions para gpt-4o-mini-tts y el parámetro speed, complementados con técnicas de formato de texto.

Instrucciones de voz para gpt-4o-mini-tts

Con gpt-4o-mini-tts, describes cómo debe hablarse en lenguaje natural mediante el parámetro instructions. La documentación enumera qué controlan estas instrucciones: acento, rango emocional, entonación, imitaciones, velocidad del habla, tono y susurros.

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")

Mantén el texto a hablar en input y el estilo de locución en instructions. No los mezcles, o corres el riesgo de escuchar la propia instrucción en voz alta. Estas instrucciones no funcionan con tts-1 ni tts-1-hd; con esos modelos, solo speed y el formato de texto, que se analizan más abajo, afectan a la salida. Dado que los tres modelos se retirarán el 6 de enero de 2027, la migración a la Realtime API (lección 10) sigue este mismo principio: las instrucciones de tono se trasladan a las instrucciones de sesión o de respuesta.

Control de la velocidad del habla con el parámetro Speed

La API de TTS proporciona el parámetro speed para ajustar la velocidad de locución:

from openai import OpenAI

client = OpenAI()

# Velocidad normal (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
)

# Más lento (0.75) — para instrucciones complejas
response_slow = client.audio.speech.create(
    model="tts-1",
    voice="nova",
    input="Your appointment is confirmed for tomorrow at two PM.",
    speed=0.75
)

# Más rápido (1.25) — para notificaciones breves
response_fast = client.audio.speech.create(
    model="tts-1",
    voice="nova",
    input="Your appointment is confirmed for tomorrow at two PM.",
    speed=1.25
)
Velocidad Rango Caso de uso
Lenta 0,25 — 0,75 Instrucciones complejas, accesibilidad, usuarios mayores
Normal 0,9 — 1,1 Conversaciones, formación, narración
Rápida 1,25 — 2,0 Notificaciones, confirmaciones, resúmenes

Técnicas de formato de texto

La palanca principal para controlar la prosodia es dar formato al texto de entrada. El modelo de TTS interpreta la puntuación y la estructura para adaptar su velocidad y entonación.

Pausas

# Pausa corta: coma
text_comma = "First step, check your configuration."

# Pausa media: punto y coma o raya
text_semi = "First step — check your configuration."

# Pausa larga: punto o puntos suspensivos
text_dots = "First step. Check your configuration."
text_ellipsis = "First step... check your configuration."

# Pausa muy larga: párrafo separado
text_para = "First step.\n\nCheck your configuration."

Énfasis e intonación

# Pregunta (entonación ascendente)
text_question = "Would you like to confirm this reservation?"

# Exclamación (énfasis natural)
text_exclaim = "Congratulations! Your registration is confirmed!"

# Énfasis mediante mayúsculas
text_caps = "It is VERY important not to skip this step."

# Lista con ritmo (el modelo marca naturalmente cada elemento)
text_list = "You will need: one, your username. Two, your password. Three, your confirmation code."

Adaptación del texto al contexto de voz

El texto escrito para leer y el texto escrito para hablar son muy distintos. Para un agente de voz, reformatea sistemáticamente el contenido:

def format_for_speech(text: str) -> str:
    """Adapta texto escrito para una reproducción de voz natural."""
    import re

    # Deletrear acrónimos comunes
    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)

    # Escribir números pequeños como palabras
    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)

    # Escribir horas en formato hablado
    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."

Velocidad adaptativa según el contenido

Un agente de voz inteligente adapta su velocidad de locución al tipo de contenido:

def adaptive_speed(content_type: str, user_preference: float = 1.0) -> float:
    """Calcula la velocidad óptima según el tipo de contenido."""
    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)
    # Ajustar con la preferencia del usuario (0,5 a 1,5)
    adjusted = base * user_preference
    return max(0.25, min(4.0, adjusted))  # Limitar a los límites de la API

# Uso
speed = adaptive_speed("phone_number", user_preference=0.9)
# → 0,63 (lento para dictar un número)

Posprocesamiento de audio

Para un control aún más fino, procesa el audio después de generarlo:

from pydub import AudioSegment

def post_process_speech(audio_bytes: bytes, adjustments: dict) -> bytes:
    """Posprocesamiento de audio para ajustes finos."""
    import io
    audio = AudioSegment.from_mp3(io.BytesIO(audio_bytes))

    # Ajustar volumen
    if "volume_db" in adjustments:
        audio = audio + adjustments["volume_db"]

    # Añadir fundido de entrada/salida
    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"])

    # Añadir silencio al inicio (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()

Puntos clave

  • Con gpt-4o-mini-tts, instructions describe cómo hablar (tono, entonación, velocidad, acento); tts-1 y tts-1-hd no aceptan este parámetro
  • El parámetro speed (de 0,25 a 4,0) controla la velocidad global del habla
  • La puntuación es la palanca principal para las pausas: coma (corta), punto (larga), puntos suspensivos (dramática)
  • Adapta el texto al contexto de voz: deletrea acrónimos, escribe los números como palabras, reformula las horas
  • Varía la velocidad según el contenido: lenta para números y direcciones, rápida para confirmaciones
  • El posprocesamiento de audio (volumen, fundidos, silencio) perfecciona el resultado final