Rialú ar Phrosóid agus ar Ráta Cainte
Ar an leathanach seo
Nuashonraithe 2 Samhain, 2026 — Múnlaí fuaime. Tá roinnt múnlaí sa chúrsa seo imithe in éag: stopfaidh
tts-1,tts-1-hd, agusgpt-4o-mini-ttsag obair ar an 6 Eanáir, 2027 (teachta:gpt-realtime-2.1-mini, a deir treoir TTS OpenAI nach dtacaítear leis le/v1/audio/speech: aistríonn sintéis gutha chuig an Realtime API);gpt-realtime,gpt-4o-realtime, agus múnlaí fuaime oidhreachta ar an 20 Eanáir, 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribe, agus/v1/audio/translationsar an 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. Cúrsa críochnaithe 3 Samhain, 2026: d’fhág sé treoracha gutha dogpt-4o-mini-tts(instructions) ar lár roimhe seo, an luachán is díricí do thon, intanú, agus ráta cainte, rud a dhéanann an doiciméadú cur síos air agus nach nglacanntts-1leis. Foinse: Text to speech.
Rialú ar Phrosóid agus ar Ráta Cainte
Is í an phrosóid—intanú, rithim, strus, agus sosanna—an rud a dhealúnn guth sintéiseach róbatach ó cheann nádúrtha. Ní thacaíonn API TTS OpenAI le SSML, ach tá dhá luachán díreach ar fáil agat: an paraiméadar instructions do gpt-4o-mini-tts agus an paraiméadar speed, atá comhlánaithe le teicnící formáidithe téacs.
Treoracha Gutha do gpt-4o-mini-tts
Le gpt-4o-mini-tts, déanann tú cur síos ar an gcaoi le labhairt i dteanga nádúrtha ag baint úsáide as an bparaiméadar instructions. Liostaíonn an doiciméadú na rudaí a rialaíonn na treoracha seo: canúint, raon mothúchán, intanú, aithris, ráta cainte, ton, agus cogarnaíocht.
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")
Coinnigh an téacs le labhairt in input agus an stíl seachadta in instructions. Ná meascaigh iad, nó rithfidh tú an baol go gcloisfear an treoir féin á labhairt os ard. Ní oibríonn na treoracha seo le tts-1 ná le tts-1-hd; leis na múnlaí sin, ní bhíonn tionchar ar an aschur ach ag speed agus ag formáidiú téacs, arna bplé thíos. Ós rud é go n-éireoidh na trí mhúnla as feidhm ar an 6 Eanáir, 2027, leanann an aistriú chuig an Realtime API (Cúrsa 10) an prionsabal céanna: bogann treoracha tona isteach i dtreoracha seisiúin nó freagartha.
Ráta Cainte a Rialú leis an bParaiméadar Speed
Soláthraíonn an TTS API paraiméadar speed chun ráta cainte a choigeartú:
from openai import OpenAI
client = OpenAI()
# Gnáthluas (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
)
# Níos moille (0.75) — le haghaidh treoracha casta
response_slow = client.audio.speech.create(
model="tts-1",
voice="nova",
input="Your appointment is confirmed for tomorrow at two PM.",
speed=0.75
)
# Níos tapúla (1.25) — le haghaidh fógraí gearra
response_fast = client.audio.speech.create(
model="tts-1",
voice="nova",
input="Your appointment is confirmed for tomorrow at two PM.",
speed=1.25
)
| Speed | Range | Use Case |
|---|---|---|
| Slow | 0.25 — 0.75 | Complex instructions, accessibility, elderly users |
| Normal | 0.9 — 1.1 | Conversations, training, narration |
| Fast | 1.25 — 2.0 | Notifications, confirmations, summaries |
Teicnící Formáidithe Téacs
Is é formáidiú an téacs ionchuir an príomhluachán chun prosóid a rialú. Déanann an múnla TTS léirmhíniú ar an poncaíocht agus ar an struchtúr chun a ráta agus a intanú a oiriúnú.
Sosanna
# Sos gearr: camóg
text_comma = "First step, check your configuration."
# Sos meánach: leathstad nó dash fada
text_semi = "First step — check your configuration."
# Sos fada: ponc nó poncaí triaracha
text_dots = "First step. Check your configuration."
text_ellipsis = "First step... check your configuration."
# Sos an-fhada: mír ar leith
text_para = "First step.\n\nCheck your configuration."
Béim agus Intanú
# Ceist (intanú ag ardú)
text_question = "Would you like to confirm this reservation?"
# Firicéad (béim nádúrtha)
text_exclaim = "Congratulations! Your registration is confirmed!"
# Béim trí chaipitliú
text_caps = "It is VERY important not to skip this step."
# Liosta le rithim (cuireann an múnla marc ar gach mír go nádúrtha)
text_list = "You will need: one, your username. Two, your password. Three, your confirmation code."
Téacs a Oiriúnú do Chomhthéacs Gutha
Tá téacs scríofa le léamh agus téacs scríofa le labhairt an-difriúil óna chéile. I gcás gníomhaire gutha, déan athfhoirmiú córasach ar an ábhar:
def format_for_speech(text: str) -> str:
"""Oiriúnaíonn téacs scríofa d'athsheinm ghutha nádúrtha."""
import re
# Litriú giorrúcháin choitianta
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)
# Uimhreacha beaga a scríobh mar fhocail
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)
# Amanna a scríobh i bhformáid labhartha
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."
Luas Oiriúnaitheach Bunaithe ar Ábhar
Déanann gníomhaire gutha cliste a ráta cainte a oiriúnú de réir chineál an ábhair:
def adaptive_speed(content_type: str, user_preference: float = 1.0) -> float:
"""Ríomhann sé an luas optamach bunaithe ar chineál ábhair."""
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)
# Coigeartaigh le rogha an úsáideora (0.5 go 1.5)
adjusted = base * user_preference
return max(0.25, min(4.0, adjusted)) # Teorainn le teorainneacha an API
# Úsáid
speed = adaptive_speed("phone_number", user_preference=0.9)
# → 0.63 (mall chun uimhir a dhéanamh de)
Iar-phróiseáil Fuaime
Chun rialú níos mine a fháil, próiseáil an fhuaim tar éis a giniúna:
from pydub import AudioSegment
def post_process_speech(audio_bytes: bytes, adjustments: dict) -> bytes:
"""Iar-phróiseáil fuaime le haghaidh coigeartuithe míne."""
import io
audio = AudioSegment.from_mp3(io.BytesIO(audio_bytes))
# Toirt a choigeartú
if "volume_db" in adjustments:
audio = audio + adjustments["volume_db"]
# Éifeacht fade in/out a chur leis
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"])
# Ciúnas a chur leis ag an tús (réamh-rolladh)
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()
Príomhphointí
- Le
gpt-4o-mini-tts, déananninstructionscur síos ar an gcaoi le labhairt (ton, intanú, ráta, canúint); ní ghlacanntts-1agustts-1-hdleis an bparaiméadar seo - Rialaíonn an paraiméadar
speed(0.25 go 4.0) ráta iomlán na cainte - Is í an phoncaíocht an príomhluachán le haghaidh sosanna: camóg (gearr), ponc (fada), poncaí triaracha (drámatúil)
- Oiriúnaigh an téacs do chomhthéacs gutha: litrigh giorrúcháin, scríobh uimhreacha mar fhocail, athfhoirmigh amanna
- Athraigh an luas de réir ábhair: mall d’uimhreacha agus seoltaí, tapúil do dheimhnithe
- Déanann iar-phróiseáil fuaime (toirt, fades, ciúnas) scagadh ar an aschur deiridh