Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Käytettävissä olevat äänet ja mukauttaminen

Oppitunti 11 / 18 Päivitetty 3. marraskuuta 2026 Kehittäjä
Tällä sivulla
  1. Käytettävissä olevat äänet ja mukauttaminen
  2. Vakioäänet
  3. Äänet Realtime API:ssa
  4. Tyylivaikutteet tekstin kautta
  5. Keskeiset asiat

Päivitys 2. marraskuuta 2026 — Äänimallit. Useat tämän kurssin mallit on poistumassa: tts-1, tts-1-hd ja gpt-4o-mini-tts suljetaan 6. tammikuuta 2027 (seuraaja: gpt-realtime-2.1-mini, jonka OpenAI:n TTS-opas ilmoittaa ei tukevan endpointia /v1/audio/speech: TTS-migraatio vaatii Realtime API:n käytön); gpt-realtime, gpt-4o-realtime ja vanhat äänimallit poistuvat 20. tammikuuta 2027 (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); whisper-1, gpt-4o-transcribe ja /v1/audio/translations poistuvat 26. helmikuuta 2027 (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). Täysin kaksisuuntaiseen puheeseen GPT-Live 1 on ollut saatavilla rajapinnassa 10. syyskuuta 2026 lähtien. Tuntia korjattu 3. marraskuuta 2026: “kuusi pääääntä” ja niiden persoonallisuudet eivät enää vastanneet dokumentaatiota, joka listaa 13 ääntä mallille gpt-4o-mini-tts, 9 ääntä malleille tts-1 ja tts-1-hd sekä 10 ääntä Realtime API:lle; gpt-4o-mini-tts hyväksyy tyyliohjeet (instructions); Realtime-istunnon ääni on lukittu ensimmäiseen äänivasteeseen saakka. Lähteet: Text to speech · Realtime conversations.

Käytettävissä olevat äänet ja mukauttaminen

Äänen valinta on ratkaisevan tärkeää puheagenttisi käyttäjäkokemukselle. Kontekstiin sopiva ääni – ammattimainen asiakaspalveluun, lämmin henkilökohtaiseen avustajaan – muuttaa tapaa, jolla käyttäjät hahmottavat agentin. TTS-rajapinta tarjoaa useita erillisiä ääniä, joilla kullakin on oma luonteensa ja vahvuutensa.

Vakioäänet

OpenAI:n dokumentaatio listaa 13 sisäänrakennettua ääntä, joiden saatavuus vaihtelee mallin mukaan:

Äänigpt-4o-mini-ttstts-1, tts-1-hdRealtime API
alloy, ash, coral, echo, sage, shimmerKylläKylläKyllä
fable, nova, onyxKylläKylläEi
ballad, verseKylläEiKyllä
marin, cedarKyllä, suositeltuEiKyllä, suositeltu

OpenAI suosittelee ääniä marin tai cedar parhaan laadun saavuttamiseksi ja huomauttaa, että äänet on optimoitu englannille. Älä luota pelkkiin kuvauksiin, vaan kuuntele niitä ranskaksi osoitteessa OpenAI.fm, OpenAI:n demo-sivustolla, käyttäen omia lauseitasi: sävy, joka kuulostaa upealta englanniksi, voi pettää katunimen tai numeron kohdalla.

Äänen valinta voi olla dynaamista sisältötyypin perusteella. Alla oleva taulukko on esimerkki, joka kannattaa täyttää kuuntelemisen jälkeen käyttäen ääniä, jotka tts-1 myös hyväksyy:

def select_voice(context: str, tone: str = "professional") -> str:
    """Valitsee optimaalisen äänen kontekstin perusteella."""
    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")

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

Äänet Realtime API:ssa

TTS ja Realtime API jakavat yhteisen ääniperheen, mutta kummallakin on oma joukkonsa: Realtime API lisää äänet marin ja cedar (kaksi suositeltua) eikä hyväksy tiettyjä TTS-ääniä kuten nova tai onyx. Määrität äänen kohdassa session.update:

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

Valitse ääni istunnon luonnin yhteydessä tai kohdassa response.create: kun malli on tuottanut ääntä, et voi vaihtaa ääntä kyseiselle istunnolle. Vaihtaaksesi ääntä, avaa uusi istunto.

Tyylivaikutteet tekstin kautta

Mallilla gpt-4o-mini-tts ohjaat tyyliä ensisijaisesti luonnollisen kielen ohjeilla (instructions): aksentti, tunne, intonaatio, nopeus, sävy, kuiskaus (Tunti 13). Mallit tts-1 ja tts-1-hd eivät hyväksy näitä; käytössäsi ovat vain välimerkit ja tekstin muotoilu:

# Neutraali sävy
text_neutral = "Your order has shipped. It will arrive tomorrow."

# Innostunut sävy (huutomerkkit)
text_excited = "Great news! Your order has shipped! It arrives tomorrow!"

# Rauhallinen sävy (pitkät lauseet, pilkut)
text_calm = "Your order, which was carefully prepared, has just shipped, and it should arrive sometime tomorrow."

# Selkeä tauko (ajatusviiva tai pisteet)
text_dramatic = "The result is... extraordinary."

# Korostus osittaisella isoilla kirjaimilla kirjoittamisella
text_emphasis = "This is EXACTLY what you need."

SSML-tyylisten tehosteiden simulointi tekstillä

Dokumentaatio ei sisällä SSML:ää, mutta voit simuloida joitakin tehosteita:

def format_for_tts(text: str, pauses: dict = None) -> str:
    """Muotoilee tekstin TTS-toiston optimoimiseksi."""
    # Lisää taukoja pisteiden avulla
    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."

Keskeiset asiat

  • 13 ääntä mallille gpt-4o-mini-tts, 9 malleille tts-1 ja tts-1-hd, 10 Realtime API:lle; marin ja cedar ovat suositeltuja
  • gpt-4o-mini-tts hyväksyy tyyliohjeet (instructions); vanhemmat mallit reagoivat vain välimerkkeihin
  • Äänen valinta riippuu kontekstista: asiakaspalvelu, koulutus, kertominen, ilmoitukset
  • Et voi vaihtaa ääntä kesken istunnon Realtime API:ssa
  • Välimerkit vaikuttavat suoraan prosodiaan: huutomerkkit, pisteet ja viivat luovat tehosteita
  • Testaa äänet aina omalla sisällölläsi ennen lopullista valintaa