Galimi balsai ir pritaikymas
Šiame puslapyje
Atnaujinimas 2026 m. lapkričio 2 d. — Garso modeliai. Keli šio kurso modeliai yra pasenę:
tts-1,tts-1-hdirgpt-4o-mini-ttsbus išjungti 2027 m. sausio 6 d. (įpėdinis:gpt-realtime-2.1-mini, kuris, kaip nurodo OpenAI TTS gidas, nepalaikomas per/v1/audio/speech: TTS migracijai būtinas Realtime API);gpt-realtime,gpt-4o-realtimeir senieji garso modeliai – 2027 m. sausio 20 d. (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribeir/v1/audio/translations– 2027 m. vasario 26 d. (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). Pilno dublekso (full-duplex) balsui GPT-Live 1 API yra prieinamas nuo 2026 m. rugsėjo 10 d. Pamoka ištaisyta 2026 m. lapkričio 3 d.: „šeši pagrindiniai balsai“ ir jų asmenybės nebeatitiko dokumentacijos, kurioje nurodyta 13 balsų modeliuigpt-4o-mini-tts, 9 –tts-1irtts-1-hd, bei 10 – Realtime API;gpt-4o-mini-ttspriima stiliaus instrukcijas (instructions); balsas Realtime sesijoje yra fiksuotas iki pirmojo garso atsakymo. Šaltiniai: Text to speech · Realtime conversations.
Galimi balsai ir pritaikymas
Balso pasirinkimas yra kritiškai svarbus tavo balso agento naudotojo patirčiai. Kontekstui tinkantis balsas – profesionalus klientų aptarnavimui, šiltas asmeniniam asistentui – pakeičia tai, kaip naudotojai suvokia agentą. TTS API siūlo keletą skirtingų balsų, kurių kiekvienas turi savo charakterį ir privalumus.
Standartiniai balsai
OpenAI dokumentacijoje išvardyti 13 integruotų balsų, kurių prieinamumas priklauso nuo modelio:
| Balsas | gpt-4o-mini-tts | tts-1, tts-1-hd | Realtime API |
|---|---|---|---|
alloy, ash, coral, echo, sage, shimmer | Taip | Taip | Taip |
fable, nova, onyx | Taip | Taip | Ne |
ballad, verse | Taip | Ne | Taip |
marin, cedar | Taip, rekomenduojama | Ne | Taip, rekomenduojama |
OpenAI rekomenduoja marin arba cedar aukščiausiai kokybei ir pažymi, kad balsai optimizuoti anglų kalbai. Užuot pasikliovęs aprašymais, paklausyk jų prancūzų kalba svetainėje OpenAI.fm – tai OpenAI demonstracinė svetainė – naudodamas savo frazes: tembras, skambantis puikiai angliškai, gali nuvilti tariant gatvės pavadinimą ar skaičių.
Balso pasirinkimas gali būti dinamiškas, priklausomai nuo turinio tipo. Žemiau pateikta lentelė yra pavyzdys, kurį turi užpildyti paklausęs balsų, kuriuos taip pat priima tts-1:
def select_voice(context: str, tone: str = "professional") -> str:
"""Pasirenka optimalų balsą pagal kontekstą."""
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")
# Pavyzdžiai
voice = select_voice("customer_service", "warm") # → shimmer
voice = select_voice("education", "professional") # → echo
voice = select_voice("narration", "authoritative") # → onyx
Balsai Realtime API
TTS ir Realtime API dalijasi bendra balsų šeima, tačiau kiekvienas turi savo rinkinį: Realtime API prideda marin ir cedar (du rekomenduojamus) ir nepriima kai kurių TTS balsų, pavyzdžiui, nova ar onyx. Balsą apibrėži session.update:
await ws.send(json.dumps({
"type": "session.update",
"session": {
"type": "realtime",
"output_modalities": ["audio"],
"audio": {"output": {"voice": "marin"}}
}
}))
Pasirink balsą kurdamas sesiją arba naudodamas response.create: kai modelis sugeneruoja garso įrašą, tos sesijos metu jo pakeisti nebegalima. Norėdamas pakeisti balsą, turi atidaryti naują sesiją.
Stiliaus formavimas per tekstą
Naudojant gpt-4o-mini-tts, stilių valdai pirmiausia per natūralios kalbos instrukcijas (instructions): akcentas, emocija, intonacija, greitis, tonas, šnabždesys (13 pamoka). tts-1 ir tts-1-hd jų nepriima; tau lieka skyryba ir teksto formatavimas:
# Neutralus tonas
text_neutral = "Your order has shipped. It will arrive tomorrow."
# Entuziastingas tonas (šauktukai)
text_excited = "Great news! Your order has shipped! It arrives tomorrow!"
# Ramus tonas (ilgi sakiniai, kableliai)
text_calm = "Your order, which was carefully prepared, has just shipped, and it should arrive sometime tomorrow."
# Aiški pauzė (brūkšnelis arba daugtaškis)
text_dramatic = "The result is... extraordinary."
# Akcentavimas daliniu didžiųjų raidžių naudojimu
text_emphasis = "This is EXACTLY what you need."
SSML panašių efektų naudojimas per tekstą
Dokumentacijoje SSML nėra, tačiau kai kuriuos efektus gali imituoti:
def format_for_tts(text: str, pauses: dict = None) -> str:
"""Formatuoja tekstą, optimizuojant TTS atvaizdavimą."""
# Prideda pauzes naudodamas daugtaškius
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."
Svarbiausi punktai
- 13 balsų modeliui
gpt-4o-mini-tts, 9 –tts-1irtts-1-hd, 10 – Realtime API;marinircedaryra rekomenduojami gpt-4o-mini-ttspriima stiliaus instrukcijas (instructions); senesni modeliai reaguoja tik į skyrybą- Balso pasirinkimas priklauso nuo konteksto: klientų aptarnavimas, švietimas, pasakojimas, pranešimai
- Realtime API sesijos metu balso pakeisti negalima
- Skyryba tiesiogiai veikia prozodiją: šauktukai, daugtaškiai ir brūkšniai kuria efektus
- Prieš priimdamas galutinį sprendimą, visada išbandyk balsus su savo realiu turiniu