Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

A prozódia és a beszédsebesség szabályozása

13. lecke 18 közül Frissítve 2026. november 3. Fejlesztő
Ezen az oldalon
  1. A prozódia és a beszédsebesség szabályozása
  2. Hangutasítások a gpt-4o-mini-tts modellhez
  3. A beszédsebesség szabályozása a Speed paraméterrel
  4. Szövegformázási technikák
  5. Szöveg igazítása hangalapú környezethez
  6. Tartalomhoz igazított sebesség
  7. Hang utófeldolgozás
  8. Főbb megállapítások

Frissítve: 2026. november 2. — Hangmodellek. Ebben a tanfolyamban több modell elavult: a tts-1, a tts-1-hd és a gpt-4o-mini-tts 2027. 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); a gpt-realtime, a gpt-4o-realtime és a régi hangmodellek 2027. január 20-án (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 2027. 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 a gpt-4o-mini-tts hangutasításai (instructions), amelyek a hanglejtés, a hangnem és a beszédsebesség legközvetlenebb eszközei, ahogy azt a dokumentáció is leírja, és amelyeket a tts-1 nem 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-tts esetén az instructions írja le a beszédmódot (hangnem, hanglejtés, sebesség, akcentus); a tts-1 és a tts-1-hd nem fogadja el ezt a paramétert
  • A speed paraméter (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