Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Dostupni glasovi i prilagodba

Lekcija 11 od 18 Ažurirano 3. studenoga 2026. Programer
Na ovoj stranici
  1. Dostupni glasovi i prilagodba
  2. Standardni glasovi
  3. Glasovi u Realtime API-ju
  4. Utjecaj na stil putem teksta
  5. Ključne točke

Ažuriranje 2. studenoga 2026. — Audio modeli. Nekoliko modela u ovom tečaju je zastarjelo: tts-1, tts-1-hd i gpt-4o-mini-tts bit 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-realtime i stariji audio modeli 20. siječnja 2027. (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); whisper-1, gpt-4o-transcribe i /v1/audio/translations 26. 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 za gpt-4o-mini-tts, 9 za tts-1 i tts-1-hd, te 10 za Realtime API; gpt-4o-mini-tts prihvaća 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:

Glasgpt-4o-mini-ttstts-1, tts-1-hdRealtime API
alloy, ash, coral, echo, sage, shimmerDaDaDa
fable, nova, onyxDaDaNe
ballad, verseDaNeDa
marin, cedarDa, preporučenoNeDa, 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 za tts-1 i tts-1-hd, 10 za Realtime API; marin i cedar su preporučeni
  • gpt-4o-mini-tts prihvaća 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