Pereiti prie pagrindinio turinio
Lietuvių— Pasirinkite kalbą
Meniu

Prosodijos ir kalbos tempo valdymas

Paskaita 13 iš 18 Atnaujinta 2026 m. lapkričio 3 d. Kūrėjas
Šiame puslapyje
  1. Prosodijos ir kalbos tempo valdymas
  2. Balso instrukcijos modeliui gpt-4o-mini-tts
  3. Kalbos tempo valdymas parametru „Speed“
  4. Teksto formatavimo technikos
  5. Teksto pritaikymas balso kontekstui
  6. Adaptyvus greitis priklausomai nuo turinio
  7. Garso postapdorojimas
  8. Svarbiausi punktai

Atnaujinta 2026 m. lapkričio 2 d. — Garso modeliai. Keli šio kurso modeliai yra pasenę: tts-1, tts-1-hd ir gpt-4o-mini-tts nustos veikti 2027 m. sausio 6 d. (įpėdinis: gpt-realtime-2.1-mini, kurio, kaip nurodo „OpenAI“ TTS gidas, nepalaiko /v1/audio/speech: balso sintezės migracija perkeliama į „Realtime API“); gpt-realtime, gpt-4o-realtime ir 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-transcribe ir /v1/audio/translations – 2027 m. vasario 26 d. (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). Visiško dubleksio balsui „GPT-Live 1“ API yra prieinamas nuo 2026 m. rugsėjo 10 d. Pamoka užbaigta 2026 m. lapkričio 3 d.: anksčiau joje buvo praleistos balso instrukcijos modeliui gpt-4o-mini-tts (instructions) – tai tiesioginiausias intonacijos, tono ir kalbos tempo svertas, kurį aprašo dokumentacija ir kurio tts-1 nepriima. Šaltinis: Text to speech.

Prosodijos ir kalbos tempo valdymas

Prosodija – intonacija, ritmas, kirčiavimas ir pauzės – yra tai, kas atskiria robotišką sintetinį balsą nuo natūralaus. „OpenAI“ TTS API nepalaiko SSML, tačiau siūlo du tiesioginius svertus: parametrą instructions modeliui gpt-4o-mini-tts ir parametrą speed, papildytus teksto formatavimo technikomis.

Balso instrukcijos modeliui gpt-4o-mini-tts

Naudodamas gpt-4o-mini-tts, natūralia kalba parametre instructions aprašai, kaip reikia kalbėti. Dokumentacijoje išvardyta, ką šios instrukcijos valdo: akcentą, emocinę diapazoną, intonaciją, imitacijas, kalbos tempą, toną ir šnabždesį.

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")

Tekstą, kurį reikia ištarti, palik parametre input, o perteikimo stilių – parametre instructions. Nemaišyk jų, kitaip garsiškai išgirsi pačią instrukciją. Šios instrukcijos neveikia su tts-1 arba tts-1-hd; su šiais modeliais rezultatui įtakos turi tik speed ir toliau aptariamas teksto formatavimas. Kadangi visi trys modeliai bus nutraukti 2027 m. sausio 6 d., migracija į „Realtime API“ (10 pamoka) laikosi to paties principo: tono instrukcijos perkeliamos į sesijos arba atsakymo instrukcijas.

Kalbos tempo valdymas parametru „Speed“

TTS API suteikia parametrą speed kalbėjimo tempui reguliuoti:

from openai import OpenAI

client = OpenAI()

# Normalus greitis (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
)

# Lėčiau (0.75) – sudėtingoms instrukcijoms
response_slow = client.audio.speech.create(
    model="tts-1",
    voice="nova",
    input="Your appointment is confirmed for tomorrow at two PM.",
    speed=0.75
)

# Greičiau (1.25) – trumpiems pranešimams
response_fast = client.audio.speech.create(
    model="tts-1",
    voice="nova",
    input="Your appointment is confirmed for tomorrow at two PM.",
    speed=1.25
)
Greitis Diapazonas Naudojimo atvejis
Lėtas 0.25 — 0.75 Sudėtingos instrukcijos, prieinamumas, vyresnio amžiaus naudotojai
Normalus 0.9 — 1.1 Pokalbiai, mokymai, pasakojimas
Greitas 1.25 — 2.0 Pranešimai, patvirtinimai, santraukos

Teksto formatavimo technikos

Pagrindinis prosodijos valdymo svertas – įvesties teksto formatavimas. TTS modelis interpretuoja skyrybą ir struktūrą, kad pritaikytų tempą ir intonaciją.

Pauzės

# Trumpa pauzė: kablelis
text_comma = "First step, check your configuration."

# Vidutinė pauzė: kabliataškis arba brūkšnys
text_semi = "First step — check your configuration."

# Ilga pauzė: taškas arba daugtaškis
text_dots = "First step. Check your configuration."
text_ellipsis = "First step... check your configuration."

# Labai ilga pauzė: atskira pastraipa
text_para = "First step.\n\nCheck your configuration."

Akcentavimas ir intonacija

# Klausimas (kylanti intonacija)
text_question = "Would you like to confirm this reservation?"

# Šauktukas (natūralus akcentavimas)
text_exclaim = "Congratulations! Your registration is confirmed!"

# Akcentavimas naudojant didžiąsias raides
text_caps = "It is VERY important not to skip this step."

# Sąrašas su ritmu (modelis natūraliai išskiria kiekvieną elementą)
text_list = "You will need: one, your username. Two, your password. Three, your confirmation code."

Teksto pritaikymas balso kontekstui

Tekstas, skirtas skaitymui, ir tekstas, skirtas tarimui, labai skiriasi. Balso agentui sistemingai performuok turinį:

def format_for_speech(text: str) -> str:
    """Pritaiko rašytinį tekstą natūraliam balso atkūrimui."""
    import re

    # Ištarame trumpinius
    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)

    # Mažus skaičius rašyk žodžiais
    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)

    # Laiką rašyk tarimo formatu
    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."

Adaptyvus greitis priklausomai nuo turinio

Protingas balso agentas pritaiko kalbos tempą pagal turinio tipą:

def adaptive_speed(content_type: str, user_preference: float = 1.0) -> float:
    """Apskaičiuoja optimalų greitį pagal turinio tipą."""
    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)
    # Koreguok pagal naudotojo pageidavimą (nuo 0.5 iki 1.5)
    adjusted = base * user_preference
    return max(0.25, min(4.0, adjusted))  # Apribok iki API ribų

# Naudojimas
speed = adaptive_speed("phone_number", user_preference=0.9)
# → 0.63 (lėtai diktuojant numerį)

Garso postapdorojimas

Norint dar tikslesnės kontrolės, apdorok garso įrašą po jo sugeneravimo:

from pydub import AudioSegment

def post_process_speech(audio_bytes: bytes, adjustments: dict) -> bytes:
    """Garso postapdorojimas tiksliems koregavimams."""
    import io
    audio = AudioSegment.from_mp3(io.BytesIO(audio_bytes))

    # Garso lygio reguliavimas
    if "volume_db" in adjustments:
        audio = audio + adjustments["volume_db"]

    # Pridėk atsiradimą/išnykimą (fade in/out)
    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"])

    # Pridėk tylos pradžioje (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()

Svarbiausi punktai

  • Naudojant gpt-4o-mini-tts, parametras instructions aprašo, kaip kalbėti (tonas, intonacija, tempas, akcentas); tts-1 ir tts-1-hd šio parametro nepriima
  • Parametras speed (nuo 0.25 iki 4.0) valdo bendrą kalbos tempą
  • Skyryba yra pagrindinis pauzių svertas: kablelis (trumpa), taškas (ilga), daugtaškis (dramatiška)
  • Pritaikyk tekstą balso kontekstui: ištarpk trumpinius, skaičius rašyk žodžiais, perfrazuok laiką
  • Keisk greitį pagal turinį: lėtai – skaičiams ir adresams, greitai – patvirtinimams
  • Garso postapdorojimas (garsumas, atsiradimas/išnykimas, tyla) patobulina galutinį rezultatą