Lähe põhisisu juurde
Eesti— Vali keel
Menüü

Saadaolevad hääled ja kohandamine

Õppetund 11 / 18 Värskendatud 3. november 2026 Arendajatele
Sellel lehel
  1. Saadaolevad hääled ja kohandamine
  2. Standardsed hääled
  3. Hääled Realtime API-s
  4. Stiili mõjutamine teksti kaudu
  5. Peamised punktid

Uuendus 2. november 2026 — Helimudelid. Selles kursuses on mitu mudelit aegunud: tts-1, tts-1-hd ja gpt-4o-mini-tts suletakse 6. jaanuaril 2027 (järeltulija: gpt-realtime-2.1-mini, mille OpenAI TTS-i juhend kirjeldab kui mudelit, mida /v1/audio/speech ei toeta: TTS-i üleminek nõuab Realtime API kasutamist); gpt-realtime, gpt-4o-realtime ja vanad helimudelid suletakse 20. jaanuaril 2027 (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); whisper-1, gpt-4o-transcribe ja /v1/audio/translations suletakse 26. veebruaril 2027 (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). Täisdupleksse kõne jaoks on GPT-Live 1 olnud API-s saadaval alates 10. septembrist 2026. Tund parandatud 3. novembril 2026: „kuus peamist häält“ ja nende isiksused ei vastanud enam dokumentatsioonile, mis loetleb gpt-4o-mini-tts jaoks 13 häält, tts-1 ja tts-1-hd jaoks 9 häält ning Realtime API jaoks 10 häält; gpt-4o-mini-tts aktsepteerib stiilijuhiseid (instructions); hääl Realtime seansis on fikseeritud kuni esimese helivastuseni. Allikad: Text to speech · Realtime conversations.

Saadaolevad hääled ja kohandamine

Hääle valik on sinu kõneagenti kasutajakogemuse jaoks kriitilise tähtsusega. Kontekstiga sobiv hääl – professionaalne klienditeeninduse jaoks, soe personaalse assistendi jaoks – muudab radikaalselt seda, kuidas kasutajad agenti tajuvad. TTS API pakub mitut erinevat häält, millest igal on oma iseloom ja tugevused.

Standardsed hääled

OpenAI dokumentatsioon loetleb 13 sisseehitatud häält, mille kättesaadavus sõltub mudelist:

Häälgpt-4o-mini-ttstts-1, tts-1-hdRealtime API
alloy, ash, coral, echo, sage, shimmerJahJahJah
fable, nova, onyxJahJahEi
ballad, verseJahEiJah
marin, cedarJah, soovitatavEiJah, soovitatav

OpenAI soovitab kõrgeima kvaliteedi saavutamiseks kasutada marin või cedar ning märgib, et hääled on optimeeritud inglise keele jaoks. Ära tugine kirjeldustele, vaid kuula neid prantsuse keeles saidil OpenAI.fm, mis on OpenAI demoportaal, kasutades oma fraase: timber, mis kõlab inglise keeles suurepäraselt, võib tänavanime või numbri puhul pettumust valmistada.

Hääle valik võib olla dünaamiline, sõltuvalt sisu tüübist. Allolev tabel on näide, mille saad täita pärast kuulamist, kasutades hääli, mida tts-1 samuti aktsepteerib:

def select_voice(context: str, tone: str = "professional") -> str:
    """Valib konteksti põhjal optimaalse hääle."""
    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")

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

Hääled Realtime API-s

TTS ja Realtime API jagavad ühist hääleperekonda, kuid kummalgi on oma hulgast: Realtime API lisab marin ja cedar (kaks soovitatavat) ning ei aktsepteeri teatud TTS hääli, nagu nova või onyx. Määrad hääle session.update kaudu:

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

Vali hääl seansi loomisel või response.create päringus: kui mudel on heli genereerinud, ei saa sa seda selles seansis enam muuta. Häälte vahetamiseks ava uus seanss.

Stiili mõjutamine teksti kaudu

Mudeliga gpt-4o-mini-tts saad stiili juhtida esmalt loomuliku keele juhiste (instructions) abil: aktsent, emotsioon, intonatsioon, kiirus, toon, sosistamine (Tund 13). tts-1 ja tts-1-hd neid ei aktsepteeri; jäävad vaid kirjavahemärgid ja teksti vormindamine:

# Neutraalne toon
text_neutral = "Your order has shipped. It will arrive tomorrow."

# Entusiastlik toon (hüüumärgid)
text_excited = "Great news! Your order has shipped! It arrives tomorrow!"

# Rahulik toon (pikad laused, komad)
text_calm = "Your order, which was carefully prepared, has just shipped, and it should arrive sometime tomorrow."

# Selge paus (kriips või kolm punkti)
text_dramatic = "The result is... extraordinary."

# Rõhutamine osalise suurtähtedega kirjutamise kaudu
text_emphasis = "This is EXACTLY what you need."

SSML-laadsete efektide kasutamine teksti kaudu

Dokumentatsioon ei sisalda SSML-i, kuid saad mõnda efekti simuleerida:

def format_for_tts(text: str, pauses: dict = None) -> str:
    """Vormindab teksti TTS-i esituse optimeerimiseks."""
    # Lisa pausid kolme punkti kaudu
    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."

Peamised punktid

  • 13 häält mudelile gpt-4o-mini-tts, 9 häält mudelitele tts-1 ja tts-1-hd, 10 häält Realtime API-le; marin ja cedar on soovitatavad
  • gpt-4o-mini-tts aktsepteerib stiilijuhiseid (instructions); vanemad mudelid reageerivad ainult kirjavahemärkidele
  • Hääle valik sõltub kontekstist: klienditeenindus, haridus, jutustamine, teavitused
  • Realtime API-s ei saa sa seansi käigus häält muuta
  • Kirjavahemärgid mõjutavad otseselt prosoodiat: hüüumärgid, kolm punkti ja kriipsud loovad efekte
  • Testi hääli alati oma tegeliku sisuga enne lõpliku valiku tegemist