Saadaolevad hääled ja kohandamine
Sellel lehel
Uuendus 2. november 2026 — Helimudelid. Selles kursuses on mitu mudelit aegunud:
tts-1,tts-1-hdjagpt-4o-mini-ttssuletakse 6. jaanuaril 2027 (järeltulija:gpt-realtime-2.1-mini, mille OpenAI TTS-i juhend kirjeldab kui mudelit, mida/v1/audio/speechei toeta: TTS-i üleminek nõuab Realtime API kasutamist);gpt-realtime,gpt-4o-realtimeja vanad helimudelid suletakse 20. jaanuaril 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribeja/v1/audio/translationssuletakse 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 loetlebgpt-4o-mini-ttsjaoks 13 häält,tts-1jatts-1-hdjaoks 9 häält ning Realtime API jaoks 10 häält;gpt-4o-mini-ttsaktsepteerib 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:
| Hääl | gpt-4o-mini-tts | tts-1, tts-1-hd | Realtime API |
|---|---|---|---|
alloy, ash, coral, echo, sage, shimmer | Jah | Jah | Jah |
fable, nova, onyx | Jah | Jah | Ei |
ballad, verse | Jah | Ei | Jah |
marin, cedar | Jah, soovitatav | Ei | Jah, 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 mudeliteletts-1jatts-1-hd, 10 häält Realtime API-le;marinjacedaron soovitatavad gpt-4o-mini-ttsaktsepteerib 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