Guthanna atá ar Fáil agus Saincheapadh
Ar an leathanach seo
Nuashonrú 2 Samhain, 2026 — Múnlaí fuaime. Tá roinnt múnlaí sa chúrsa seo tar éis dul in éag: dúnfar
tts-1,tts-1-hd, agusgpt-4o-mini-ttsar 6 Eanáir, 2027 (teachta:gpt-realtime-2.1-mini, a deir treoir TTS OpenAI nach dtacaítear leis le/v1/audio/speech: éilíonn imirce TTS an Realtime API); dúnfargpt-realtime,gpt-4o-realtime, agus múnlaí fuaime oidhreachta ar 20 Eanáir, 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5); dúnfarwhisper-1,gpt-4o-transcribe, agus/v1/audio/translationsar 26 Feabhra, 2027 (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). Maidir le guth lán-dúbailte, tá GPT-Live 1 ar fáil san API ón 10 Meán Fómhair, 2026. Ceartaithe an cheacht seo ar 3 Samhain, 2026: ní raibh an “sé phríomhghuth” agus a bpearsantachtaí ag teacht a thuilleadh leis an doiciméadú, a liostaíonn 13 ghuth dogpt-4o-mini-tts, 9 dotts-1agustts-1-hd, agus 10 don Realtime API; glacanngpt-4o-mini-ttsle treoracha stíle (instructions); tá an guth i seisiún Realtime socraithe go dtí an chéad fhreagairt fuaime. Foinse: Text to speech · Realtime conversations.
Guthanna atá ar Fáil agus Saincheapadh
Tá ríthábhachtach le roghnú gutha don taithí úsáideora a bhíonn ag do ghníomhaire gutha. Claochlaíonn guth a oireann don chomhthéacs—gairmiúil do sheirbhís chustaiméirí, te do chúntóir pearsanta—an chaoi a mbraitheann úsáideoirí faoin ngníomhaire. Tairgeann an TTS API roinnt guthanna ar leith, gach ceann acu le carachtar agus le neartanna dá chuid féin.
Gnáthghuthanna
Liostaíonn doiciméadú OpenAI 13 ghuth ionsuite, agus athraíonn an fáilteacht de réir an mhúnla:
| Guth | gpt-4o-mini-tts | tts-1, tts-1-hd | Realtime API |
|---|---|---|---|
alloy, ash, coral, echo, sage, shimmer | Tá | Tá | Tá |
fable, nova, onyx | Tá | Tá | Níl |
ballad, verse | Tá | Níl | Tá |
marin, cedar | Tá, molta | Níl | Tá, molta |
Molann OpenAI marin nó cedar don chaighdeán is airde, agus tugann siad faoi deara go bhfuil na guthanna optamaithe don Bhéarla. In ionad brath ar chur síos, éist leo i bhFraincis ar OpenAI.fm, suíomh taispeána OpenAI, ag baint úsáide as do chuid frásaí féin: d’fhéadfadh timbre a fhuaimeann go hiontach sa Bhéarla díomá a chruthú ar ainm sráide nó ar uimhir.
Is féidir roghnú gutha a bheith dinimiciúil bunaithe ar chineál an ábhair. Is sampla é an tábla thíos le líonadh isteach tar éis éisteachta, ag baint úsáide as guthanna a nglacann tts-1 leo freisin:
def select_voice(context: str, tone: str = "professional") -> str:
"""Roghnaíonn sé an guth is fearr bunaithe ar an gcomhthéacs."""
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")
# Samplaí
voice = select_voice("customer_service", "warm") # → shimmer
voice = select_voice("education", "professional") # → echo
voice = select_voice("narration", "authoritative") # → onyx
Guthanna sa Realtime API
Roinneann TTS agus an Realtime API teaghlach coiteann guthanna, ach tá a dtacar féin ag gach ceann: cuireann an Realtime API marin agus cedar (an dá cheann a moltar) leis, agus ní ghlacann sé le guthanna TTS áirithe cosúil le nova nó onyx. Sainíonn tú an guth in session.update:
await ws.send(json.dumps({
"type": "session.update",
"session": {
"type": "realtime",
"output_modalities": ["audio"],
"audio": {"output": {"voice": "marin"}}
}
}))
Roghnaigh an guth ag cruthú an tseisiúin nó in response.create: nuair a tháirgeann an múnla fuaim, ní féidir leat é a athrú don seisiún sin. Chun guthanna a athrú, oscail seisiún nua.
Stíl a Chur i bhFeidhm trí Théacs
Le gpt-4o-mini-tts, rialaíonn tú an stíl ar dtús trí threoracha teanga nádúrtha (instructions): canúint, mothúchán, intanú, luas, tón, cogarnach (Ceacht 13). Ní ghlacann tts-1 agus tts-1-hd leo seo; níl agat ach poncaíocht agus formáidiú téacs:
# Tón neodrach
text_neutral = "Your order has shipped. It will arrive tomorrow."
# Tón díograiseach (comharthaí iontais)
text_excited = "Great news! Your order has shipped! It arrives tomorrow!"
# Tón ciúin (abairtí fada, camóga)
text_calm = "Your order, which was carefully prepared, has just shipped, and it should arrive sometime tomorrow."
# Sos sainráite (fleiscín fada nó poncanna suspense)
text_dramatic = "The result is... extraordinary."
# Béim trí chaipitliú páirteach
text_emphasis = "This is EXACTLY what you need."
Éifeachtaí cosúil le SSML a Úsáid trí Théacs
Ní áirítear SSML sa doiciméadú, ach is féidir leat roinnt éifeachtaí a shamhlú:
def format_for_tts(text: str, pauses: dict = None) -> str:
"""Formádaíonn sé téacs chun léiriú TTS a optamú."""
# Cuir sosanna leis trí phoncaíocht
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."
Príomhphointí
- 13 ghuth do
gpt-4o-mini-tts, 9 dotts-1agustts-1-hd, 10 don Realtime API; moltarmarinaguscedar - Glacann
gpt-4o-mini-ttsle treoracha stíle (instructions); ní fhreagraíonn na seanmhúnlaí ach do phoncaíocht - Braitheann roghnú gutha ar an gcomhthéacs: seirbhís chustaiméirí, oideachas, scéalaíocht, fógraí
- Ní féidir leat an guth a athrú le linn seisiúin sa Realtime API
- Bíonn tionchar díreach ag poncaíocht ar phrosaid: cruthaíonn comharthaí iontais, poncaí suspense, agus fleiscíní éifeachtaí
- Déan tástáil i gcónaí ar ghuthanna ar d’ábhar iarbhír sula ndéanann tú rogha dheiridh