Léim go dtí an príomhábhar
Gaeilge— Roghnaigh teanga
Roghchlár

Rialú ar Phrosóid agus ar Ráta Cainte

Ceacht 13 as 18 Nuashonraithe 3 Samhain 2026 Forbróir
Ar an leathanach seo
  1. Rialú ar Phrosóid agus ar Ráta Cainte
  2. Treoracha Gutha do gpt-4o-mini-tts
  3. Ráta Cainte a Rialú leis an bParaiméadar Speed
  4. Teicnící Formáidithe Téacs
  5. Téacs a Oiriúnú do Chomhthéacs Gutha
  6. Luas Oiriúnaitheach Bunaithe ar Ábhar
  7. Iar-phróiseáil Fuaime
  8. Príomhphointí

Nuashonraithe 2 Samhain, 2026 — Múnlaí fuaime. Tá roinnt múnlaí sa chúrsa seo imithe in éag: stopfaidh tts-1, tts-1-hd, agus gpt-4o-mini-tts ag 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/translations ar 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 do gpt-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 nglacann tts-1 leis. 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, déanann instructions cur síos ar an gcaoi le labhairt (ton, intanú, ráta, canúint); ní ghlacann tts-1 agus tts-1-hd leis 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