Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Prosodian ja puhenopeuden hallinta

Oppitunti 13 / 18 Päivitetty 3. marraskuuta 2026 Kehittäjä
Tällä sivulla
  1. Prosodian ja puhenopeuden hallinta
  2. Ääniohjeet mallille gpt-4o-mini-tts
  3. Puhenopeuden hallinta speed-parametrilla
  4. Tekstin muotoilutekniikat
  5. Tekstin mukauttaminen äänikontekstiin
  6. Sisältöön perustuva mukautuva nopeus
  7. Äänen jälkikäsittely
  8. Keskeiset asiat

Päivitetty 2. marraskuuta 2026 — Äänimallit. Useat tämän kurssin malleista on poistumassa käytöstä: tts-1, tts-1-hd ja gpt-4o-mini-tts lakkaavat toimimasta 6. tammikuuta 2027 (seuraaja: gpt-realtime-2.1-mini, jonka OpenAI:n TTS-opas ilmoittaa ei tukevan polkua /v1/audio/speech: äänisynteesin migraatio siirtyy Realtime APIiin); gpt-realtime, gpt-4o-realtime ja vanhat äänimallit 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 26. helmikuuta 2027 (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). Täysdupleksista ääntä varten GPT-Live 1 on ollut saatavilla APIssa 10. syyskuuta 2026 lähtien. Oppitunti saatu valmiiksi 3. marraskuuta 2026: aiemmin puuttuivat ääniohjeet mallille gpt-4o-mini-tts (instructions), joka on suorin vipu intonaation, sävyn ja puhenopeuden hallintaan. Dokumentaatio kuvaa tämän, kun taas tts-1 ei hyväksy sitä. Lähde: Text to speech.

Prosodian ja puhenopeuden hallinta

Prosodia – eli intonaatio, rytmi, painotus ja tauot – on se tekijä, joka erottaa robottimaisen synteettisen äänen luonnollisesta. OpenAI:n TTS-API ei tue SSML:ää, mutta se tarjoaa kaksi suoraa vipua: parametrin instructions mallille gpt-4o-mini-tts ja parametrin speed, joita täydentävät tekstin muotoilutekniikat.

Ääniohjeet mallille gpt-4o-mini-tts

Käytä mallia gpt-4o-mini-tts kuvatessasi puhutapaa luonnollisella kielellä parametrin instructions avulla. Dokumentaatio listaa, mitä nämä ohjeet hallitsevat: aksentti, tunnekirjo, intonaatio, imitoinnit, puhenopeus, sävy ja kuiskaaminen.

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")

Pidä puhuttava teksti parametrissa input ja esitystyyli parametrissa instructions. Älä sekoita niitä, tai riskinä on, että kuulet ohjeen itsensä lausuttavan ääneen. Nämä ohjeet eivät toimi malleilla tts-1 tai tts-1-hd; näillä malleilla vain speed ja alla käsiteltävä tekstin muotoilu vaikuttavat lopputulokseen. Koska kaikki kolme mallia poistuvat käytöstä 6. tammikuuta 2027, siirtyminen Realtime APIiin (Oppitunti 10) noudattaa samaa periaatetta: sävyohjeet siirtyvät istunto- tai vastausohjeisiin.

Puhenopeuden hallinta speed-parametrilla

TTS-API tarjoaa parametrin speed puhumisnopeuden säätämiseen:

from openai import OpenAI

client = OpenAI()

# Normaali nopeus (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
)

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

# Nopeampi (1.25) — lyhyisiin ilmoituksiin
response_fast = client.audio.speech.create(
    model="tts-1",
    voice="nova",
    input="Your appointment is confirmed for tomorrow at two PM.",
    speed=1.25
)
Nopeus Vaihteluväli Käyttötarkoitus
Hidas 0.25 — 0.75 Monimutkaiset ohjeet, saavutettavuus, ikäihmiset
Normaali 0.9 — 1.1 Keskustelut, koulutus, kertomukset
Nopea 1.25 — 2.0 Ilmoitukset, vahvistukset, yhteenvedot

Tekstin muotoilutekniikat

Ensisijainen vipu prosodian hallintaan on syötetekstin muotoilu. TTS-malli tulkitsee välimerkit ja rakenteen mukauttaakseen nopeuttaan ja intonaatiotaan.

Tauot

# Lyhyt tauko: pilkku
text_comma = "First step, check your configuration."

# Keskipitkä tauko: puolipiste tai ajatusviiva
text_semi = "First step — check your configuration."

# Pitkä tauko: piste tai kolme pistettä
text_dots = "First step. Check your configuration."
text_ellipsis = "First step... check your configuration."

# Erittäin pitkä tauko: erillinen kappale
text_para = "First step.\n\nCheck your configuration."

Painotus ja intonaatio

# Kysymys (nouseva intonaatio)
text_question = "Would you like to confirm this reservation?"

# Huudahdus (luonnollinen painotus)
text_exclaim = "Congratulations! Your registration is confirmed!"

# Painotus isoilla kirjaimilla
text_caps = "It is VERY important not to skip this step."

# Lista rytmin kanssa (malli merkitsee jokaisen kohdan luonnollisesti)
text_list = "You will need: one, your username. Two, your password. Three, your confirmation code."

Tekstin mukauttaminen äänikontekstiin

Luettavaksi kirjoitettu teksti ja puhuttavaksi kirjoitettu teksti ovat hyvin erilaisia. Muotoile sisältö järjestelmällisesti uudelleen ääniagenttia varten:

def format_for_speech(text: str) -> str:
    """Mukauttaa kirjoitetun tekstin luonnollista toistoa varten."""
    import re

    # Kirjoita yleiset lyhenteet auki
    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)

    # Kirjoita pienet luvut sanoina
    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)

    # Kirjoita kellonajat puheformaattiin
    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."

Sisältöön perustuva mukautuva nopeus

Älykäs ääniagentti mukauttaa puhenopeutensa sisältötyypin mukaan:

def adaptive_speed(content_type: str, user_preference: float = 1.0) -> float:
    """Laskee optimaalisen nopeuden sisältötyypin perusteella."""
    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)
    # Säädä käyttäjän mieltymyksen mukaan (0.5–1.5)
    adjusted = base * user_preference
    return max(0.25, min(4.0, adjusted))  # Rajoita API:n rajoihin

# Käyttö
speed = adaptive_speed("phone_number", user_preference=0.9)
# → 0.63 (hidas numeron saneluun)

Äänen jälkikäsittely

Entistä tarkempaa hallintaa varten käsittele ääntä generoinnin jälkeen:

from pydub import AudioSegment

def post_process_speech(audio_bytes: bytes, adjustments: dict) -> bytes:
    """Äänen jälkikäsittely hienosäätöä varten."""
    import io
    audio = AudioSegment.from_mp3(io.BytesIO(audio_bytes))

    # Säädä äänenvoimakkuutta
    if "volume_db" in adjustments:
        audio = audio + adjustments["volume_db"]

    # Lisää vaimennus alkuun ja loppuun
    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"])

    # Lisää hiljaisuus alkuun (esilämmitys)
    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()

Keskeiset asiat

  • Mallilla gpt-4o-mini-tts parametri instructions kuvaa puhutapaa (sävy, intonaatio, nopeus, aksentti); tts-1 ja tts-1-hd eivät hyväksy tätä parametria
  • Parametri speed (0.25–4.0) hallitsee yleistä puhenopeutta
  • Välimerkit ovat ensisijainen vipu taukoihin: pilkku (lyhyt), piste (pitkä), kolme pistettä (draamallinen)
  • Mukauta teksti äänikontekstiin: kirjoita lyhenteet auki, luvut sanoina ja muotoile kellonajat uudelleen
  • Vaihda nopeutta sisällön mukaan: hitaasti numeroille ja osoitteille, nopeasti vahvistuksille
  • Äänen jälkikäsittely (äänenvoimakkuus, vaimennukset, hiljaisuus) hienosäätää lopputulosta