Prosodijos ir kalbos tempo valdymas
Šiame puslapyje
Atnaujinta 2026 m. lapkričio 2 d. — Garso modeliai. Keli šio kurso modeliai yra pasenę:
tts-1,tts-1-hdirgpt-4o-mini-ttsnustos 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-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). 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 modeliuigpt-4o-mini-tts(instructions) – tai tiesioginiausias intonacijos, tono ir kalbos tempo svertas, kurį aprašo dokumentacija ir kuriotts-1nepriima. 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, parametrasinstructionsaprašo, kaip kalbėti (tonas, intonacija, tempas, akcentas);tts-1irtts-1-hdšio 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