Control de la prosodia y la velocidad del habla
En esta página
Actualizado el 2 de noviembre de 2026 — Modelos de audio. Varios modelos de este curso están obsoletos:
tts-1,tts-1-hdygpt-4o-mini-ttsdejarán 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-realtimey 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-transcribey/v1/audio/translationsel 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 paragpt-4o-mini-tts(instructions), la palanca más directa para la entonación, el tono y la velocidad del habla, que la documentación describe y quetts-1no 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,instructionsdescribe cómo hablar (tono, entonación, velocidad, acento);tts-1ytts-1-hdno 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