Upravljanje prozodijom i brzinom govora
Na ovoj stranici
Ažurirano 2. studenoga 2026. — Audio modeli. Nekoliko modela u ovom tečaju je zastarjelo:
tts-1,tts-1-hdigpt-4o-mini-ttsprestat 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-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 dovršena 3. studenoga 2026.: prethodno je izostavljala glasovne upute zagpt-4o-mini-tts(instructions), najizravniji poluga za intonaciju, ton i brzinu govora, što dokumentacija opisuje, a štotts-1ne 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,instructionsopisuje kako govoriti (ton, intonacija, brzina, naglasak);tts-1itts-1-hdne 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