Prosodian ja puhenopeuden hallinta
Tällä sivulla
Päivitetty 2. marraskuuta 2026 — Äänimallit. Useat tämän kurssin malleista on poistumassa käytöstä:
tts-1,tts-1-hdjagpt-4o-mini-ttslakkaavat 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-realtimeja vanhat äänimallit 20. tammikuuta 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribeja/v1/audio/translations26. 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 mallillegpt-4o-mini-tts(instructions), joka on suorin vipu intonaation, sävyn ja puhenopeuden hallintaan. Dokumentaatio kuvaa tämän, kun taastts-1ei 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-ttsparametriinstructionskuvaa puhutapaa (sävy, intonaatio, nopeus, aksentti);tts-1jatts-1-hdeivät 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