Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Elérhető hangok és testreszabás

11. lecke 18 közül Frissítve 2026. november 3. Fejlesztő
Ezen az oldalon
  1. Elérhető hangok és testreszabás
  2. Szabványos hangok
  3. Hangok a Realtime API-ban
  4. Stílus befolyásolása szövegen keresztül
  5. Főbb megállapítások

Frissítés: 2026. november 2. – Hangmodellek. A tanfolyam számos modellje elavult: a tts-1, tts-1-hd és a gpt-4o-mini-tts leállítása 2027. január 6-án esedékes (utód: gpt-realtime-2.1-mini, amelyet az OpenAI TTS útmutatója szerint a /v1/audio/speech nem támogat: a TTS migrációhoz a Realtime API szükséges); a gpt-realtime, gpt-4o-realtime és a régi hangmodellek leállítása 2027. január 20-án történik (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); a whisper-1, a gpt-4o-transcribe és a /v1/audio/translations leállítása 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 a gpt-4o-mini-tts esetén, 9-et a tts-1 és tts-1-hd modelleknél, valamint 10-et a Realtime API-hoz; a gpt-4o-mini-tts elfogad 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:

Hanggpt-4o-mini-ttstts-1, tts-1-hdRealtime API
alloy, ash, coral, echo, sage, shimmerIgenIgenIgen
fable, nova, onyxIgenIgenNem
ballad, verseIgenNemIgen
marin, cedarIgen, ajánlottNemIgen, 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-tts esetén, 9 a tts-1 és tts-1-hd modelleknél, 10 a Realtime API-hoz; a marin és cedar ajánlott
  • A gpt-4o-mini-tts elfogad 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