Lähe põhisisu juurde
Eesti— Vali keel
Menüü

Prosoodia ja kõnekiiruse juhtimine

Õppetund 13 / 18 Värskendatud 3. november 2026 Arendajatele
Sellel lehel
  1. Prosoodia ja kõnekiiruse juhtimine
  2. Häälejuhised mudelile gpt-4o-mini-tts
  3. Kõnekiiruse juhtimine parameetriga Speed
  4. Teksti vormindamise tehnikad
  5. Teksti kohandamine kõnekontekstiks
  6. Kohanduv kiirus sõltuvalt sisust
  7. Heli järeltöötlus
  8. Peamised punktid

Uuendatud 2. novembril 2026 — Helimudelid. Selles kursuses on mitu mudelit aegunud: tts-1, tts-1-hd ja gpt-4o-mini-tts lõpetavad töö 6. jaanuaril 2027 (järeltulija: gpt-realtime-2.1-mini, mille OpenAI TTS juhend kirjeldab kui mudelit, mida ei toeta /v1/audio/speech: häälesünteesi migratsioon liigub Realtime API-le); gpt-realtime, gpt-4o-realtime ja vanad helimudelid 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 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 valmis 3. novembril 2026: varem jäid puudu häälejuhised mudelile gpt-4o-mini-tts (instructions), mis on kõige otsesem hoob intonatsiooni, tooni ja kõnekiiruse mõjutamiseks, mida dokumentatsioon kirjeldab ja mida tts-1 ei aktsepteeri. Allikas: Text to speech.

Prosoodia ja kõnekiiruse juhtimine

Prosoodia – intonatsioon, rütm, rõhk ja pausid – on see, mis eristab robotlikku sünteetilist häält loomulikust. OpenAI TTS API ei toeta SSML-i, kuid pakub kahte otsest hooba: parameetrit instructions mudelile gpt-4o-mini-tts ja parameetrit speed, mida täiendavad teksti vormindamise tehnikad.

Häälejuhised mudelile gpt-4o-mini-tts

Mudeliga gpt-4o-mini-tts kirjeldad parameetri instructions abil loomulikus keeles, kuidas rääkida tuleks. Dokumentatsioon loetleb, mida need juhised kontrollivad: aktsent, emotsionaalne ulatus, intonatsioon, imiteerimine, kõnekiirus, toon ja sosistamine.

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")

Hoia öeldav tekst parameetris input ja esitusstiil parameetris instructions. Ära sega neid, muidu riskid sellega, et juhise ennast hakatakse valjusti ette lugema. Need juhised ei tööta mudelitega tts-1 ega tts-1-hd; nende mudelite puhul mõjutavad väljundit ainult speed ja allpool arutatud teksti vormindamine. Kuna kõik kolm mudelit suletakse 6. jaanuaril 2027, järgib migratsioon Realtime API-le (Tund 10) sama põhimõtet: toonijuhised liiguvad seansi või vastuse juhiste hulka.

Kõnekiiruse juhtimine parameetriga Speed

TTS API pakub kõnekiiruse kohandamiseks parameetrit speed:

from openai import OpenAI

client = OpenAI()

# Tavaline kiirus (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
)

# Aeglasem (0.75) — keerukate juhiste jaoks
response_slow = client.audio.speech.create(
    model="tts-1",
    voice="nova",
    input="Your appointment is confirmed for tomorrow at two PM.",
    speed=0.75
)

# Kiirem (1.25) — lühikeste teavituste jaoks
response_fast = client.audio.speech.create(
    model="tts-1",
    voice="nova",
    input="Your appointment is confirmed for tomorrow at two PM.",
    speed=1.25
)
Kiirus Vahemik Kasutusjuht
Aeglane 0.25 — 0.75 Keerukad juhised, ligipääsetavus, eakad kasutajad
Tavaline 0.9 — 1.1 Vestlused, koolitus, jutustus
Kiire 1.25 — 2.0 Teavitused, kinnitused, kokkuvõtted

Teksti vormindamise tehnikad

Peamine hoob prosoodia juhtimiseks on sisendteksti vormindamine. TTS-mudel tõlgendab kirjavahemärke ja struktuuri, et kohandada oma kiirust ja intonatsiooni.

Pausid

# Lühike paus: koma
text_comma = "First step, check your configuration."

# Keskmine paus: semikoolon või sidekriips
text_semi = "First step — check your configuration."

# Pikk paus: punkt või kolm punkti
text_dots = "First step. Check your configuration."
text_ellipsis = "First step... check your configuration."

# Väga pikk paus: eraldi lõik
text_para = "First step.\n\nCheck your configuration."

Rõhk ja intonatsioon

# Küsimus (tõusev intonatsioon)
text_question = "Would you like to confirm this reservation?"

# Hüüdlause (loomulik rõhk)
text_exclaim = "Congratulations! Your registration is confirmed!"

# Rõhk suurtähtede kaudu
text_caps = "It is VERY important not to skip this step."

# Loetelu rütmiga (mudel märgib iga punkti loomulikult)
text_list = "You will need: one, your username. Two, your password. Three, your confirmation code."

Teksti kohandamine kõnekontekstiks

Lugemiseks kirjutatud tekst ja rääkimiseks kirjutatud tekst on väga erinevad. Hääleagendi jaoks vorminda sisu süstemaatiliselt ümber:

def format_for_speech(text: str) -> str:
    """Kohandab kirjaliku teksti loomulikuks häälesitamiseks."""
    import re

    # Häälda levinud lühendid tähthaaval
    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)

    # Kirjuta väikesed arvud sõnadega
    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)

    # Kirjuta kellaajad kõnevormingus
    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."

Kohanduv kiirus sõltuvalt sisust

Intelligentne hääleagent kohandab oma kõnekiirust sisu tüübile:

def adaptive_speed(content_type: str, user_preference: float = 1.0) -> float:
    """Arvutab optimaalse kiiruse põhinedes sisu tüübil."""
    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)
    # Kohanda kasutaja eelistusega (0.5 kuni 1.5)
    adjusted = base * user_preference
    return max(0.25, min(4.0, adjusted))  # Piira API lubatud vahemikku

# Kasutus
speed = adaptive_speed("phone_number", user_preference=0.9)
# → 0.63 (aeglane numbri dikteerimiseks)

Heli järeltöötlus

Veelgi täpsemaks kontrolliks töötle heli pärast genereerimist:

from pydub import AudioSegment

def post_process_speech(audio_bytes: bytes, adjustments: dict) -> bytes:
    """Heli järeltöötlus peenhäälestuseks."""
    import io
    audio = AudioSegment.from_mp3(io.BytesIO(audio_bytes))

    # Kohanda helitugevust
    if "volume_db" in adjustments:
        audio = audio + adjustments["volume_db"]

    # Lisa sisse- ja väljahajumine
    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"])

    # Lisa vaikus algusesse (eelsoojendus)
    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()

Peamised punktid

  • Mudeliga gpt-4o-mini-tts kirjeldab instructions, kuidas rääkida (toon, intonatsioon, kiirus, aktsent); tts-1 ja tts-1-hd seda parameetrit ei aktsepteeri
  • Parameeter speed (0.25 kuni 4.0) kontrollib üldist kõnekiirust
  • Kirjavahemärgid on peamine hoob pauside jaoks: koma (lühike), punkt (pikk), kolm punkti (dramaatiline)
  • Kohanda tekst kõnekontekstiks: häälda lühendid tähthaaval, kirjuta arvud sõnadega, sõnasta kellaajad ümber
  • Muuda kiirust sõltuvalt sisust: aeglane numbrite ja aadresside jaoks, kiire kinnituste jaoks
  • Heli järeltöötlus (helitugevus, hajumine, vaikus) viimistleb lõpptulemust