Dostupni glasovi i prilagodba
Na ovoj stranici
Ažuriranje 2. studenoga 2026. — Audio modeli. Nekoliko modela u ovom tečaju je zastarjelo:
tts-1,tts-1-hdigpt-4o-mini-ttsbit će ugašeni 6. siječnja 2027. (nasljednik:gpt-realtime-2.1-mini, za koji OpenAI TTS vodič navodi da nije podržan od strane/v1/audio/speech: migracija TTS-a zahtijeva Realtime API);gpt-realtime,gpt-4o-realtimei stariji audio modeli 20. siječnja 2027. (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribei/v1/audio/translations26. veljače 2027. (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). Za full-duplex glas, GPT-Live 1 dostupan je u API-ju od 10. rujna 2026. Lekcija ispravljena 3. studenoga 2026.: „šest glavnih glasova“ i njihove osobine više se ne poklapaju s dokumentacijom, koja navodi 13 glasova zagpt-4o-mini-tts, 9 zatts-1itts-1-hd, te 10 za Realtime API;gpt-4o-mini-ttsprihvaća upute o stilu (instructions); glas u Realtime sesiji fiksiran je do prvog audio odgovora. Izvori: Text to speech · Realtime conversations.
Dostupni glasovi i prilagodba
Izbor glasa ključan je za korisničko iskustvo tvog glasovnog agenta. Glas koji odgovara kontekstu—profesionalan za korisničku podršku, topao za osobnog asistenta—mijenja način na koji korisnici doživljavaju agenta. TTS API nudi nekoliko različitih glasova, od kojih svaki ima svoj karakter i prednosti.
Standardni glasovi
OpenAI-jeva dokumentacija navodi 13 ugrađenih glasova, pri čemu dostupnost varira ovisno o modelu:
| Glas | gpt-4o-mini-tts | tts-1, tts-1-hd | Realtime API |
|---|---|---|---|
alloy, ash, coral, echo, sage, shimmer | Da | Da | Da |
fable, nova, onyx | Da | Da | Ne |
ballad, verse | Da | Ne | Da |
marin, cedar | Da, preporučeno | Ne | Da, preporučeno |
OpenAI preporučuje marin ili cedar za najvišu kvalitetu i napominje da su glasovi optimizirani za engleski jezik. Umjesto oslanjanja na opise, poslušaj ih na francuskom na OpenAI.fm, OpenAI-jevoj demo stranici, koristeći vlastite fraze: boja glasa koja zvuči sjajno na engleskom može razočarati kod izgovora imena ulice ili broja.
Odabir glasa može biti dinamičan ovisno o vrsti sadržaja. Tablica u nastavku je primjer koji trebaš popuniti nakon slušanja, koristeći glasove koje tts-1 također prihvaća:
def select_voice(context: str, tone: str = "professional") -> str:
"""Selects the optimal voice based on context."""
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")
# Examples
voice = select_voice("customer_service", "warm") # → shimmer
voice = select_voice("education", "professional") # → echo
voice = select_voice("narration", "authoritative") # → onyx
Glasovi u Realtime API-ju
TTS i Realtime API dijele zajedničku obitelj glasova, ali svaki ima svoj skup: Realtime API dodaje marin i cedar (dva preporučena) i ne prihvaća određene TTS glasove poput nova ili onyx. Glas definiraš u session.update:
await ws.send(json.dumps({
"type": "session.update",
"session": {
"type": "realtime",
"output_modalities": ["audio"],
"audio": {"output": {"voice": "marin"}}
}
}))
Odaberi glas pri stvaranju sesije ili u response.create: jednom kada model proizvede audio, ne možeš ga promijeniti za tu sesiju. Da bi promijenio glasove, otvori novu sesiju.
Utjecaj na stil putem teksta
Kod gpt-4o-mini-tts, stil prvo kontroliraš putem instrukcija u prirodnom jeziku (instructions): naglasak, emocija, intonacija, brzina, ton, šaputanje (Lekcija 13). tts-1 i tts-1-hd ne prihvaćaju ovo; preostaju ti interpunkcija i formatiranje teksta:
# Neutral tone
text_neutral = "Your order has shipped. It will arrive tomorrow."
# Enthusiastic tone (exclamations)
text_excited = "Great news! Your order has shipped! It arrives tomorrow!"
# Calm tone (long sentences, commas)
text_calm = "Your order, which was carefully prepared, has just shipped, and it should arrive sometime tomorrow."
# Explicit pause (em dash or ellipsis)
text_dramatic = "The result is... extraordinary."
# Emphasis via partial capitalization
text_emphasis = "This is EXACTLY what you need."
Korištenje SSML-sličnih efekata putem teksta
Dokumentacija ne uključuje SSML, ali možeš simulirati neke efekte:
def format_for_tts(text: str, pauses: dict = None) -> str:
"""Formats text to optimize TTS rendering."""
# Add pauses via ellipses
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."
Ključne točke
- 13 glasova za
gpt-4o-mini-tts, 9 zatts-1itts-1-hd, 10 za Realtime API;marinicedarsu preporučeni gpt-4o-mini-ttsprihvaća upute o stilu (instructions); stariji modeli reagiraju samo na interpunkciju- Izbor glasa ovisi o kontekstu: korisnička podrška, obrazovanje, naracija, obavijesti
- Ne možeš promijeniti glas usred sesije u Realtime API-ju
- Interpunkcija izravno utječe na prozodiju: uskličnici, tri točke i crtice stvaraju efekte
- Uvijek testiraj glasove na svom stvarnom sadržaju prije konačnog odabira