Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Voci disponibili e personalizzazione

Lezione 11 di 18 Aggiornata il 3 novembre 2026 Sviluppatore
In questa pagina
  1. Voci disponibili e personalizzazione
  2. Voci standard
  3. Voci nelle Realtime API
  4. Influenzare lo stile tramite il testo
  5. Punti chiave

Aggiornamento 2 novembre 2026 — Modelli audio. Diversi modelli trattati in questo corso sono deprecati: tts-1, tts-1-hd e gpt-4o-mini-tts cesseranno di funzionare il 6 gennaio 2027 (successore: gpt-realtime-2.1-mini, che la guida TTS di OpenAI indica come non supportato da /v1/audio/speech: la migrazione TTS richiede le Realtime API); gpt-realtime, gpt-4o-realtime e i modelli audio legacy il 20 gennaio 2027 (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); whisper-1, gpt-4o-transcribe e /v1/audio/translations il 26 febbraio 2027 (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). Per la voce full-duplex, GPT-Live 1 è disponibile nelle API dal 10 settembre 2026. Lezione corretta il 3 novembre 2026: le “sei voci principali” e le loro personalità non corrispondevano più alla documentazione, che elenca 13 voci per gpt-4o-mini-tts, 9 per tts-1 e tts-1-hd, e 10 per le Realtime API; gpt-4o-mini-tts accetta istruzioni di stile (instructions); la voce in una sessione Realtime è fissata fino alla prima risposta audio. Fonti: Text to speech · Realtime conversations.

Voci disponibili e personalizzazione

La scelta della voce è fondamentale per l’esperienza utente del tuo agente vocale. Una voce adatta al contesto—professionale per il servizio clienti, calda per un assistente personale—trasforma il modo in cui gli utenti percepiscono l’agente. Le API TTS offrono diverse voci distinte, ognuna con il proprio carattere e i propri punti di forza.

Voci standard

La documentazione di OpenAI elenca 13 voci integrate, con disponibilità variabile a seconda del modello:

Vocegpt-4o-mini-ttstts-1, tts-1-hdRealtime API
alloy, ash, coral, echo, sage, shimmerSìSìSì
fable, nova, onyxSìSìNo
ballad, verseSìNoSì
marin, cedarSì, consigliateNoSì, consigliate

OpenAI raccomanda marin o cedar per la massima qualità e precisa che le voci sono ottimizzate per l’inglese. Invece di affidarti alle descrizioni, ascoltale in francese su OpenAI.fm, il sito demo di OpenAI, usando le tue frasi: un timbro che suona benissimo in inglese potrebbe deludere su un nome di via o un numero.

La selezione della voce può essere dinamica in base al tipo di contenuto. La tabella seguente è un esempio da compilare dopo l’ascolto, utilizzando voci accettate anche da tts-1:

def select_voice(context: str, tone: str = "professional") -> str:
    """Selects the optimal voice based on context."""
    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")

# Examples
voice = select_voice("customer_service", "warm")    # → shimmer
voice = select_voice("education", "professional")    # → echo
voice = select_voice("narration", "authoritative")   # → onyx

Voci nelle Realtime API

TTS e le Realtime API condividono una famiglia di voci comune, ma ognuna ha il proprio set: le Realtime API aggiungono marin e cedar (le due consigliate) e non accettano alcune voci TTS come nova o onyx. Definisci la voce in session.update:

await ws.send(json.dumps({
    "type": "session.update",
    "session": {
        "type": "realtime",
        "output_modalities": ["audio"],
        "audio": {"output": {"voice": "marin"}}
    }
}))

Scegli la voce alla creazione della sessione o in un response.create: una volta che il modello produce audio, non puoi cambiarla per quella sessione. Per cambiare voce, devi aprire una nuova sessione.

Influenzare lo stile tramite il testo

Con gpt-4o-mini-tts, controlli lo stile prima di tutto attraverso istruzioni in linguaggio naturale (instructions): accento, emozione, intonazione, velocità, tono, sussurro (Lezione 13). tts-1 e tts-1-hd non le accettano; ti restano solo la punteggiatura e la formattazione del testo:

# Neutral tone
text_neutral = "Your order has shipped. It will arrive tomorrow."

# Enthusiastic tone (exclamations)
text_excited = "Great news! Your order has shipped! It arrives tomorrow!"

# Calm tone (long sentences, commas)
text_calm = "Your order, which was carefully prepared, has just shipped, and it should arrive sometime tomorrow."

# Explicit pause (em dash or ellipsis)
text_dramatic = "The result is... extraordinary."

# Emphasis via partial capitalization
text_emphasis = "This is EXACTLY what you need."

Utilizzare effetti simili all’SSML tramite il testo

La documentazione non include SSML, ma puoi simulare alcuni effetti:

def format_for_tts(text: str, pauses: dict = None) -> str:
    """Formats text to optimize TTS rendering."""
    # Add pauses via ellipses
    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."

Punti chiave

  • 13 voci per gpt-4o-mini-tts, 9 per tts-1 e tts-1-hd, 10 per le Realtime API; marin e cedar sono consigliate
  • gpt-4o-mini-tts accetta istruzioni di stile (instructions); i modelli più vecchi rispondono solo alla punteggiatura
  • La scelta della voce dipende dal contesto: servizio clienti, educazione, narrazione, notifiche
  • Non puoi cambiare la voce a metà sessione nelle Realtime API
  • La punteggiatura influisce direttamente sulla prosodia: punti esclamativi, puntini di sospensione e trattini creano effetti
  • Testa sempre le voci sui tuoi contenuti reali prima di fare una scelta definitiva