Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Controllo della prosodia e della velocità di eloquio

Lezione 13 di 18 Aggiornata il 3 novembre 2026 Sviluppatore
In questa pagina
  1. Controllo della prosodia e della velocità di eloquio
  2. Istruzioni vocali per gpt-4o-mini-tts
  3. Controllo della velocità di eloquio con il parametro Speed
  4. Tecniche di formattazione del testo
  5. Adattamento del testo per il contesto vocale
  6. Velocità adattiva in base al contenuto
  7. Post-elaborazione audio
  8. Punti chiave

Aggiornato il 2 novembre 2026 — Modelli audio. Diversi modelli in questo corso sono deprecati: tts-1, tts-1-hd e gpt-4o-mini-tts smetteranno 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-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 completata il 3 novembre 2026: in precedenza ometteva le istruzioni vocali per gpt-4o-mini-tts (instructions), la leva più diretta per intonazione, tono e velocità di eloquio, descritte dalla documentazione e non accettate da tts-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, instructions descrive come parlare (tono, intonazione, velocità, accento); tts-1 e tts-1-hd non 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