A prozódia és a beszédsebesség szabályozása
Ezen az oldalon
Frissítve: 2026. november 2. — Hangmodellek. Ebben a tanfolyamban több modell elavult: a
tts-1, atts-1-hdés agpt-4o-mini-tts2027. január 6-án megszűnik működni (utód:gpt-realtime-2.1-mini, amelyet az OpenAI TTS útmutatója szerint nem támogat a/v1/audio/speech: a hangszintézis migrációja a Realtime API-ra történik); agpt-realtime, agpt-4o-realtimeés a régi hangmodellek 2027. január 20-án (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5); awhisper-1, agpt-4o-transcribeés a/v1/audio/translations2027. február 26-án (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 2026. november 3-án készült el: korábban hiányoztak belőle agpt-4o-mini-ttshangutasításai (instructions), amelyek a hanglejtés, a hangnem és a beszédsebesség legközvetlenebb eszközei, ahogy azt a dokumentáció is leírja, és amelyeket atts-1nem fogad el. Forrás: Text to speech.
A prozódia és a beszédsebesség szabályozása
A prozódia – hanglejtés, ritmus, hangsúlyozás és szünetek – az, ami megkülönbözteti a robotikus szintetikus hangot a természetestől. Az OpenAI TTS API-ja nem támogatja az SSML-t, de két közvetlen eszközt kínál: az instructions paramétert a gpt-4o-mini-tts modellhez, valamint a speed paramétert, amelyet szövegformázási technikákkal egészíthetsz ki.
Hangutasítások a gpt-4o-mini-tts modellhez
A gpt-4o-mini-tts esetén természetes nyelven írhatod le az instructions paraméter segítségével, hogyan kell beszélni. A dokumentáció felsorolja, mire terjednek ki ezek az utasítások: akcentus, érzelmi skála, hanglejtés, utánzás, beszédsebesség, hangnem és suttogás.
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")
Tartsd külön a kimondandó szöveget az input mezőben, és a előadásmódot az instructions mezőben. Ne keverd őket, különben kockáztatod, hogy magát az utasítást is hallani fogod felolvasva. Ezek az utasítások nem működnek a tts-1 vagy a tts-1-hd modellekkel; ezeken a modelleken csak a speed és az alább tárgyalt szövegformázás befolyásolja a kimenetet. Mivel mindhárom modell támogatása 2027. január 6-án megszűnik, a Realtime API-ra való átállás (10. lecke) ugyanezt az elvet követi: a hangnemre vonatkozó utasítások a munkamenet vagy a válasz utasításaiba kerülnek.
A beszédsebesség szabályozása a Speed paraméterrel
A TTS API egy speed paramétert biztosít a beszélési sebesség beállításához:
from openai import OpenAI
client = OpenAI()
# Normál sebesség (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
)
# Lassabb (0.75) — összetett utasításokhoz
response_slow = client.audio.speech.create(
model="tts-1",
voice="nova",
input="Your appointment is confirmed for tomorrow at two PM.",
speed=0.75
)
# Gyorsabb (1.25) — rövid értesítésekhez
response_fast = client.audio.speech.create(
model="tts-1",
voice="nova",
input="Your appointment is confirmed for tomorrow at two PM.",
speed=1.25
)
| Sebesség | Tartomány | Használati eset |
|---|---|---|
| Lassú | 0.25 — 0.75 | Összetett utasítások, akadálymentesítés, idősebb felhasználók |
| Normál | 0.9 — 1.1 | Beszélgetések, oktatás, narráció |
| Gyors | 1.25 — 2.0 | Értesítések, visszaigazolások, összefoglalók |
Szövegformázási technikák
A prozódia szabályozásának elsődleges eszköze a bemeneti szöveg formázása. A TTS modell értelmezi a központozást és a szerkezetet, hogy ehhez igazítsa a sebességet és a hanglejtést.
Szünetek
# Rövid szünet: vessző
text_comma = "First step, check your configuration."
# Közepes szünet: pontosvessző vagy gondolatjel
text_semi = "First step — check your configuration."
# Hosszú szünet: pont vagy három pont
text_dots = "First step. Check your configuration."
text_ellipsis = "First step... check your configuration."
# Nagyon hosszú szünet: külön bekezdés
text_para = "First step.\n\nCheck your configuration."
Hangsúlyozás és hanglejtés
# Kérdés (emelkedő hanglejtés)
text_question = "Would you like to confirm this reservation?"
# Felkiáltás (természetes hangsúlyozás)
text_exclaim = "Congratulations! Your registration is confirmed!"
# Hangsúlyozás nagybetűkkel
text_caps = "It is VERY important not to skip this step."
# Lista ritmussal (a modell természetesen jelöli az egyes elemeket)
text_list = "You will need: one, your username. Two, your password. Three, your confirmation code."
Szöveg igazítása hangalapú környezethez
Az olvasásra szánt szöveg és a beszédre szánt szöveg nagyon különbözik. Egy hangalapú ügynök esetén rendszeresen formáld át a tartalmat:
def format_for_speech(text: str) -> str:
"""Írott szöveg igazítása természetes hang lejátszásához."""
import re
# Betűzz ki gyakori mozaikszavakat
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)
# Írd ki szavakkal a kis számokat
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)
# Írd át az időpontokat beszélt formátumba
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."
Tartalomhoz igazított sebesség
Egy intelligens hangalapú ügynök a tartalom típusához igazítja a beszédsebességet:
def adaptive_speed(content_type: str, user_preference: float = 1.0) -> float:
"""Optimális sebesség kiszámítása a tartalom típusa alapján."""
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)
# Igazítás a felhasználói preferenciához (0.5 és 1.5 között)
adjusted = base * user_preference
return max(0.25, min(4.0, adjusted)) # Korlátozás az API határaihoz
# Használat
speed = adaptive_speed("phone_number", user_preference=0.9)
# → 0.63 (lassú egy telefonszám diktálásához)
Hang utófeldolgozás
Még finomabb szabályozáshoz dolgozd fel a hangot generálás után:
from pydub import AudioSegment
def post_process_speech(audio_bytes: bytes, adjustments: dict) -> bytes:
"""Hang utófeldolgozás finom hangoláshoz."""
import io
audio = AudioSegment.from_mp3(io.BytesIO(audio_bytes))
# Hangerő szabályozása
if "volume_db" in adjustments:
audio = audio + adjustments["volume_db"]
# Be- és kifuttatás hozzáadása
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"])
# Csend hozzáadása az elején (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()
Főbb megállapítások
- A
gpt-4o-mini-ttsesetén azinstructionsírja le a beszédmódot (hangnem, hanglejtés, sebesség, akcentus); atts-1és atts-1-hdnem fogadja el ezt a paramétert - A
speedparaméter (0.25–4.0) az általános beszédsebességet szabályozza - A központozás a szünetek elsődleges eszköze: vessző (rövid), pont (hosszú), három pont (drámai)
- Igazítsd a szöveget a hangkörnyezethez: betűzd ki a mozaikszavakat, írd ki számokkal a számokat, fogalmazd át az időpontokat
- Változtasd a sebességet a tartalom szerint: lassú számokhoz és címekhez, gyors visszaigazolásokhoz
- A hang utófeldolgozása (hangerő, be-/kifuttatás, csend) finomítja a végső kimenetet