Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Upravljanje prozodijom i brzinom govora

Lekcija 13 od 18 Ažurirano 3. studenoga 2026. Programer
Na ovoj stranici
  1. Upravljanje prozodijom i brzinom govora
  2. Glasovne upute za gpt-4o-mini-tts
  3. Upravljanje brzinom govora parametrom Speed
  4. Tehnike oblikovanja teksta
  5. Prilagodba teksta za glasovni kontekst
  6. Adaptivna brzina temeljena na sadržaju
  7. Post-obrada zvuka
  8. Ključne točke

Ažurirano 2. studenoga 2026. — Audio modeli. Nekoliko modela u ovom tečaju je zastarjelo: tts-1, tts-1-hd i gpt-4o-mini-tts prestat će raditi 6. siječnja 2027. (nasljednik: gpt-realtime-2.1-mini, za koji OpenAI TTS vodič navodi da nije podržan od strane /v1/audio/speech: migracija sinteze glasa prelazi na 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 dovršena 3. studenoga 2026.: prethodno je izostavljala glasovne upute za gpt-4o-mini-tts (instructions), najizravniji poluga za intonaciju, ton i brzinu govora, što dokumentacija opisuje, a što tts-1 ne prihvaća. Izvor: Text to speech.

Upravljanje prozodijom i brzinom govora

Prozodija — intonacija, ritam, naglasak i pauze — ono je što razdvaja robotski sintetički glas od prirodnog. OpenAI-jev TTS API ne podržava SSML, ali nudi dvije izravne poluge: parametar instructions za gpt-4o-mini-tts i parametar speed, uz tehnike oblikovanja teksta.

Glasovne upute za gpt-4o-mini-tts

Kod gpt-4o-mini-tts, opisuješ kako treba govoriti prirodnim jezikom koristeći parametar instructions. Dokumentacija navodi što ove upute kontroliraju: naglasak, raspon emocija, intonaciju, imitacije, brzinu govora, ton i šaputanje.

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")

Tekst za izgovor zadrži u input, a stil izvedbe u instructions. Nemoj ih miješati, inače riskiraš da će se sama uputa izgovoriti naglas. Ove upute ne rade s tts-1 ili tts-1-hd; kod tih modela, samo speed i oblikovanje teksta, o kojima je riječ u nastavku, utječu na izlaz. Budući da sva tri modela prestaju s radom 6. siječnja 2027., migracija na Realtime API (Lekcija 10) slijedi isto načelo: upute o tonu prelaze u upute sesije ili odgovora.

Upravljanje brzinom govora parametrom Speed

TTS API nudi parametar speed za prilagodbu brzine govora:

from openai import OpenAI

client = OpenAI()

# Normalna brzina (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
)

# Sporije (0.75) — za složene upute
response_slow = client.audio.speech.create(
    model="tts-1",
    voice="nova",
    input="Your appointment is confirmed for tomorrow at two PM.",
    speed=0.75
)

# Brže (1.25) — za kratke obavijesti
response_fast = client.audio.speech.create(
    model="tts-1",
    voice="nova",
    input="Your appointment is confirmed for tomorrow at two PM.",
    speed=1.25
)
Brzina Raspon Slučaj upotrebe
Sporo 0.25 — 0.75 Složene upute, pristupačnost, stariji korisnici
Normalno 0.9 — 1.1 Razgovori, obuka, naracija
Brzo 1.25 — 2.0 Obavijesti, potvrde, sažeci

Tehnike oblikovanja teksta

Primarna poluga za kontrolu prozodije je oblikovanje ulaznog teksta. TTS model tumači interpunkciju i strukturu kako bi prilagodio brzinu i intonaciju.

Pauze

# Kratka pauza: zarez
text_comma = "First step, check your configuration."

# Srednja pauza: točka-zarez ili crtica
text_semi = "First step — check your configuration."

# Duga pauza: točka ili tri točke
text_dots = "First step. Check your configuration."
text_ellipsis = "First step... check your configuration."

# Vrlo duga pauza: odvojeni odlomak
text_para = "First step.\n\nCheck your configuration."

Naglasak i intonacija

# Pitanje (uzlazna intonacija)
text_question = "Would you like to confirm this reservation?"

# Usklik (prirodni naglasak)
text_exclaim = "Congratulations! Your registration is confirmed!"

# Naglasak putem velikih slova
text_caps = "It is VERY important not to skip this step."

# Lista s ritmom (model prirodno označava svaku stavku)
text_list = "You will need: one, your username. Two, your password. Three, your confirmation code."

Prilagodba teksta za glasovni kontekst

Tekst napisan za čitanje i tekst napisan za govorenje vrlo su različiti. Za glasovnog agenta sustavno preoblikuj sadržaj:

def format_for_speech(text: str) -> str:
    """Prilagođava pisani tekst za prirodnu glasovnu reprodukciju."""
    import re

    # Razglasiti česte akronime
    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)

    # Male brojeve napisati riječima
    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)

    # Vremena napisati u govornom formatu
    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."

Adaptivna brzina temeljena na sadržaju

Inteligentni glasovni agent prilagođava brzinu govora vrsti sadržaja:

def adaptive_speed(content_type: str, user_preference: float = 1.0) -> float:
    """Izračunava optimalnu brzinu na temelju vrste sadržaja."""
    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)
    # Prilagodi prema korisničkoj preferenciji (0.5 do 1.5)
    adjusted = base * user_preference
    return max(0.25, min(4.0, adjusted))  # Ograniči na API limite

# Upotreba
speed = adaptive_speed("phone_number", user_preference=0.9)
# → 0.63 (sporije za diktiranje broja)

Post-obrada zvuka

Za još precizniju kontrolu, obradi audio nakon generiranja:

from pydub import AudioSegment

def post_process_speech(audio_bytes: bytes, adjustments: dict) -> bytes:
    """Post-obrada zvuka za fina podešavanja."""
    import io
    audio = AudioSegment.from_mp3(io.BytesIO(audio_bytes))

    # Prilagodi glasnoću
    if "volume_db" in adjustments:
        audio = audio + adjustments["volume_db"]

    # Dodaj pojavljivanje/iščežavanje (fade in/out)
    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"])

    # Dodaj tišinu na početak (pre-roll)
    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()

Ključne točke

  • Kod gpt-4o-mini-tts, instructions opisuje kako govoriti (ton, intonacija, brzina, naglasak); tts-1 i tts-1-hd ne prihvaćaju ovaj parametar
  • Parametar speed (0.25 do 4.0) kontrolira ukupnu brzinu govora
  • Interpunkcija je primarna poluga za pauze: zarez (kratko), točka (dugo), tri točke (dramatično)
  • Prilagodi tekst za glasovni kontekst: razglasi akronime, brojeve napiši riječima, preformuliraj vremena
  • Varijiraj brzinu prema sadržaju: sporo za brojeve i adrese, brzo za potvrde
  • Post-obrada zvuka (glasnoća, pojavljivanje/iščežavanje, tišina) doraduje konačni izlaz