Controllo della prosodia e della velocità di eloquio
In questa pagina
Aggiornato il 2 novembre 2026 — Modelli audio. Diversi modelli in questo corso sono deprecati:
tts-1,tts-1-hdegpt-4o-mini-ttssmetteranno di funzionare il 6 gennaio 2027 (successore:gpt-realtime-2.1-mini, che la guida OpenAI TTS definisce non supportato da/v1/audio/speech: la migrazione della sintesi vocale passa alle Realtime API);gpt-realtime,gpt-4o-realtimee 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-transcribee/v1/audio/translationsil 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 completata il 3 novembre 2026: in precedenza ometteva le istruzioni vocali pergpt-4o-mini-tts(instructions), la leva più diretta per intonazione, tono e velocità di eloquio, descritte dalla documentazione e non accettate datts-1. Fonte: Text to speech.
Controllo della prosodia e della velocità di eloquio
La prosodia — intonazione, ritmo, accento e pause — è ciò che distingue una voce sintetica robotica da una naturale. Le API TTS di OpenAI non supportano SSML, ma offrono due leve dirette: il parametro instructions per gpt-4o-mini-tts e il parametro speed, integrati da tecniche di formattazione del testo.
Istruzioni vocali per gpt-4o-mini-tts
Con gpt-4o-mini-tts, descrivi come parlare in linguaggio naturale usando il parametro instructions. La documentazione elenca cosa controllano queste istruzioni: accento, gamma emotiva, intonazione, impersonificazioni, velocità di eloquio, tono e sussurro.
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")
Mantieni il testo da pronunciare in input e lo stile di esecuzione in instructions. Non mescolarli, altrimenti rischi di sentire l’istruzione stessa letta ad alta voce. Queste istruzioni non funzionano con tts-1 o tts-1-hd; con quei modelli, solo speed e la formattazione del testo, discussi di seguito, influenzano l’output. Poiché tutti e tre i modelli saranno dismessi il 6 gennaio 2027, la migrazione verso le Realtime API (Lezione 10) segue lo stesso principio: le istruzioni sul tono si spostano nelle istruzioni di sessione o di risposta.
Controllo della velocità di eloquio con il parametro Speed
Le API TTS forniscono un parametro speed per regolare la velocità di eloquio:
from openai import OpenAI
client = OpenAI()
# Velocità normale (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
)
# Più lento (0.75) — per istruzioni complesse
response_slow = client.audio.speech.create(
model="tts-1",
voice="nova",
input="Your appointment is confirmed for tomorrow at two PM.",
speed=0.75
)
# Più veloce (1.25) — per brevi notifiche
response_fast = client.audio.speech.create(
model="tts-1",
voice="nova",
input="Your appointment is confirmed for tomorrow at two PM.",
speed=1.25
)
| Velocità | Intervallo | Caso d'uso |
|---|---|---|
| Lenta | 0.25 — 0.75 | Istruzioni complesse, accessibilità, utenti anziani |
| Normale | 0.9 — 1.1 | Conversazioni, formazione, narrazione |
| Veloce | 1.25 — 2.0 | Notifiche, conferme, riassunti |
Tecniche di formattazione del testo
La leva principale per controllare la prosodia è la formattazione del testo in input. Il modello TTS interpreta la punteggiatura e la struttura per adattare velocità e intonazione.
Pause
# Pausa breve: virgola
text_comma = "First step, check your configuration."
# Pausa media: punto e virgola o trattino lungo
text_semi = "First step — check your configuration."
# Pausa lunga: punto o punti di sospensione
text_dots = "First step. Check your configuration."
text_ellipsis = "First step... check your configuration."
# Pausa molto lunga: paragrafo separato
text_para = "First step.\n\nCheck your configuration."
Enfasi e intonazione
# Domanda (intonazione ascendente)
text_question = "Would you like to confirm this reservation?"
# Esclamazione (enfasi naturale)
text_exclaim = "Congratulations! Your registration is confirmed!"
# Enfasi tramite maiuscole
text_caps = "It is VERY important not to skip this step."
# Elenco con ritmo (il modello marca naturalmente ogni elemento)
text_list = "You will need: one, your username. Two, your password. Three, your confirmation code."
Adattamento del testo per il contesto vocale
Il testo scritto per la lettura e quello scritto per essere parlato sono molto diversi. Per un agente vocale, riformatta sistematicamente i contenuti:
def format_for_speech(text: str) -> str:
"""Adatta il testo scritto per una riproduzione vocale naturale."""
import re
# Compita gli acronimi comuni
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)
# Scrivi i numeri piccoli come parole
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)
# Scrivi gli orari nel formato parlato
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."
Velocità adattiva in base al contenuto
Un agente vocale intelligente adatta la sua velocità di eloquio al tipo di contenuto:
def adaptive_speed(content_type: str, user_preference: float = 1.0) -> float:
"""Calcola la velocità ottimale in base al tipo di contenuto."""
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)
# Regola in base alla preferenza dell'utente (da 0.5 a 1.5)
adjusted = base * user_preference
return max(0.25, min(4.0, adjusted)) # Limita ai limiti delle API
# Utilizzo
speed = adaptive_speed("phone_number", user_preference=0.9)
# → 0.63 (lento per dettare un numero)
Post-elaborazione audio
Per un controllo ancora più fine, elabora l’audio dopo la generazione:
from pydub import AudioSegment
def post_process_speech(audio_bytes: bytes, adjustments: dict) -> bytes:
"""Post-elaborazione audio per regolazioni fini."""
import io
audio = AudioSegment.from_mp3(io.BytesIO(audio_bytes))
# Regola il volume
if "volume_db" in adjustments:
audio = audio + adjustments["volume_db"]
# Aggiungi dissolvenza in entrata/uscita
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"])
# Aggiungi silenzio all'inizio (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()
Punti chiave
- Con
gpt-4o-mini-tts,instructionsdescrive come parlare (tono, intonazione, velocità, accento);tts-1etts-1-hdnon accettano questo parametro - Il parametro
speed(da 0.25 a 4.0) controlla la velocità complessiva di eloquio - La punteggiatura è la leva principale per le pause: virgola (breve), punto (lunga), punti di sospensione (drammatica)
- Adatta il testo al contesto vocale: compita gli acronimi, scrivi i numeri come parole, riformula gli orari
- Varia la velocità in base al contenuto: lenta per numeri e indirizzi, veloce per le conferme
- La post-elaborazione audio (volume, dissolvenze, silenzio) affina l’output finale