Elérhető hangok és testreszabás
Ezen az oldalon
Frissítés: 2026. november 2. – Hangmodellek. A tanfolyam számos modellje elavult: a
tts-1,tts-1-hdés agpt-4o-mini-ttsleállítása 2027. január 6-án esedékes (utód:gpt-realtime-2.1-mini, amelyet az OpenAI TTS útmutatója szerint a/v1/audio/speechnem támogat: a TTS migrációhoz a Realtime API szükséges); agpt-realtime,gpt-4o-realtimeés a régi hangmodellek leállítása 2027. január 20-án történik (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5); awhisper-1, agpt-4o-transcribeés a/v1/audio/translationsleállítása 2027. február 26-án várható (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). A teljes duplex hangkommunikációhoz a GPT-Live 1 már 2026. szeptember 10. óta elérhető az API-ban. A lecke javítva: 2026. november 3. A „hat fő hang“ és személyiségük már nem felelt meg a dokumentációnak, amely 13 hangot sorol fel agpt-4o-mini-ttsesetén, 9-et atts-1éstts-1-hdmodelleknél, valamint 10-et a Realtime API-hoz; agpt-4o-mini-ttselfogad stílusutasításokat (instructions); a Realtime munkamenetben a hang az első hangválaszig rögzített. Források: Text to speech · Realtime conversations.
Elérhető hangok és testreszabás
A hang megválasztása döntő fontosságú a hangalapú ügynököd felhasználói élménye szempontjából. A kontextushoz illő hang – professzionális az ügyfélszolgálatnál, meleg hangvételű a személyi asszisztensnél – alapvetően megváltoztatja, ahogy a felhasználók az ügynököt perceive-lik. A TTS API több eltérő hangot kínál, mindegyik sajátos karakterrel és erősségekkel.
Szabványos hangok
Az OpenAI dokumentációja 13 beépített hangot sorol fel, amelyek elérhetősége modellenként változik:
| Hang | gpt-4o-mini-tts | tts-1, tts-1-hd | Realtime API |
|---|---|---|---|
alloy, ash, coral, echo, sage, shimmer | Igen | Igen | Igen |
fable, nova, onyx | Igen | Igen | Nem |
ballad, verse | Igen | Nem | Igen |
marin, cedar | Igen, ajánlott | Nem | Igen, ajánlott |
Az OpenAI a marin vagy a cedar használatát javasolja a legmagasabb minőség érdekében, és megjegyzi, hogy a hangok az angol nyelvre vannak optimalizálva. Ne támaszkodj leírásokra; hallgasd meg őket franciául az OpenAI.fm oldalon, az OpenAI bemutató oldalán, saját kifejezéseiddel: egy angolul remekül szóló tónus csalódást kelthet egy utcanév vagy egy szám kiejtésekor.
A hangválasztás dinamikus lehet a tartalom típusa alapján. Az alábbi táblázat egy példa, amelyet meghallgatás után tölts ki, olyan hangokat használva, amelyeket a tts-1 is elfogad:
def select_voice(context: str, tone: str = "professional") -> str:
"""Kiválasztja az optimális hangot a kontextus alapján."""
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")
# Példák
voice = select_voice("customer_service", "warm") # → shimmer
voice = select_voice("education", "professional") # → echo
voice = select_voice("narration", "authoritative") # → onyx
Hangok a Realtime API-ban
A TTS és a Realtime API közös hangcsaládot oszt meg, de mindegyiknek megvan a saját készlete: a Realtime API hozzáadja a marin és cedar hangokat (a két ajánlottat), és nem fogad el bizonyos TTS hangokat, mint például a nova vagy az onyx. A hangot a session.update üzenetben definiálod:
await ws.send(json.dumps({
"type": "session.update",
"session": {
"type": "realtime",
"output_modalities": ["audio"],
"audio": {"output": {"voice": "marin"}}
}
}))
A hangot a munkamenet létrehozásakor vagy egy response.create hívásban válaszd ki: ha a modell egyszer hangot generált, azt abban a munkamenetben már nem módosíthatod. Ha hangot szeretnél váltani, nyiss egy új munkamenetet.
Stílus befolyásolása szövegen keresztül
A gpt-4o-mini-tts esetén a stílust elsősorban természetes nyelvi utasításokkal (instructions) irányítod: hangsúly, érzelem, hanglejtés, sebesség, tónus, suttogás (13. lecke). A tts-1 és tts-1-hd modellek nem fogadják ezeket; itt csak az írásjelekre és a szövegformázásra hagyatkozhatsz:
# Semleges tónus
text_neutral = "Your order has shipped. It will arrive tomorrow."
# Lelkes tónus (felkiáltójelek)
text_excited = "Great news! Your order has shipped! It arrives tomorrow!"
# Nyugodt tónus (hosszú mondatok, vesszők)
text_calm = "Your order, which was carefully prepared, has just shipped, and it should arrive sometime tomorrow."
# Explicit szünet (kötőjel vagy három pont)
text_dramatic = "The result is... extraordinary."
# Hangsúlyozás részleges nagybetűsítéssel
text_emphasis = "This is EXACTLY what you need."
SSML-szerű effektek használata szövegen keresztül
A dokumentáció nem tartalmaz SSML-t, de egyes hatásokat szimulálhatsz:
def format_for_tts(text: str, pauses: dict = None) -> str:
"""Formázza a szöveget a TTS megjelenítés optimalizálásához."""
# Szünetek hozzáadása három pontokkal
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."
Főbb megállapítások
- 13 hang a
gpt-4o-mini-ttsesetén, 9 atts-1éstts-1-hdmodelleknél, 10 a Realtime API-hoz; amarinéscedarajánlott - A
gpt-4o-mini-ttselfogad stílusutasításokat (instructions); a régebbi modellek csak az írásjelekre reagálnak - A hangválasztás a kontextustól függ: ügyfélszolgálat, oktatás, narráció, értesítések
- A Realtime API-ban nem változtathatod meg a hangot a munkamenet közben
- Az írásjelek közvetlenül befolyásolják a prozódiát: a felkiáltójelek, a három pontok és a kötőjelek hatásokat hoznak létre
- Mindig teszteld le a hangokat a saját tartalmadon, mielőtt végleges döntést hoznál