Pieejamās balsis un pielāgošana
Šajā lapā
Atjauninājums 2026. gada 2. novembrī — Audio modeļi. Vairāki šajā kursā apskatītie modeļi tiek izslēgti no lietošanas:
tts-1,tts-1-hdungpt-4o-mini-ttstiks slēgti 2027. gada 6. janvārī (pēctecis:gpt-realtime-2.1-mini, ko OpenAI TTS rokasgrāmata norāda kā ** neatbalstītu ar/v1/audio/speech**: TTS migrācijai nepieciešams Realtime API);gpt-realtime,gpt-4o-realtimeun vecie audio modeļi — 2027. gada 20. janvārī (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribeun/v1/audio/translations— 2027. gada 26. februārī (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). Pilndupleksa balss funkcionalitātei GPT-Live 1 ir pieejams API kopš 2026. gada 10. septembra. Nodarbība labota 2026. gada 3. novembrī: „sešas galvenās balsis” un to personības vairs neatbilst dokumentācijai, kurā uzskaitītas 13 balsis priekšgpt-4o-mini-tts, 9 priekštts-1untts-1-hd, un 10 priekš Realtime API;gpt-4o-mini-ttspieņem stila norādījumus (instructions); balss Realtime sesijā ir fiksēta līdz pirmajai audio atbildei. Avoti: Teksts-runā · Reāllaika sarunas.
Pieejamās balsis un pielāgošana
Balses izvēle ir kritiski svarīga tava balss aģenta lietotāja pieredzei. Balss, kas atbilst kontekstam — profesionāla klientu apkalpošanai, sirsnīga personīgajam asistentam — maina to, kā lietotāji uztver aģentu. TTS API piedāvā vairākas atšķirīgas balsis, katrai piemīt savs raksturs un stiprās puses.
Standarta balsis
OpenAI dokumentācija uzskaita 13 iebūvētās balsis, un to pieejamība atšķiras atkarībā no modeļa:
| Balss | gpt-4o-mini-tts | tts-1, tts-1-hd | Realtime API |
|---|---|---|---|
alloy, ash, coral, echo, sage, shimmer | Jā | Jā | Jā |
fable, nova, onyx | Jā | Jā | Nē |
ballad, verse | Jā | Nē | Jā |
marin, cedar | Jā, ieteicams | Nē | Jā, ieteicams |
OpenAI iesaka izmantot marin vai cedar augstākās kvalitātes nodrošināšanai un norāda, ka balsis ir optimizētas angļu valodai. Tā vietā, lai paļautos uz aprakstiem, noklausies tās franču valodā vietnē OpenAI.fm, kas ir OpenAI demonstrācijas vietne, izmantojot savus teikumus: tembrs, kas izklausās lieliski angļu valodā, var viltot cerības, runājot par ielas nosaukumu vai skaitli.
Balses izvēle var būt dinamiska atkarībā no satura veida. Zemāk esošā tabula ir piemērs, ko aizpildīt pēc noklausīšanās, izmantojot balsis, ko pieņem arī tts-1:
def select_voice(context: str, tone: str = "professional") -> str:
"""Izvēlas optimālo balsi atkarībā no konteksta."""
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")
# Piemēri
voice = select_voice("customer_service", "warm") # → shimmer
voice = select_voice("education", "professional") # → echo
voice = select_voice("narration", "authoritative") # → onyx
Balsis Realtime API
TTS un Realtime API dalās kopīgā balsu saimē, taču katram ir sava kopa: Realtime API pievieno marin un cedar (abas ieteicamās) un nepieņem noteiktas TTS balsis, piemēram, nova vai onyx. Balsi tu definē session.update:
await ws.send(json.dumps({
"type": "session.update",
"session": {
"type": "realtime",
"output_modalities": ["audio"],
"audio": {"output": {"voice": "marin"}}
}
}))
Izvēlies balsi sesijas izveides brīdī vai response.create laikā: tiklīdz modelis ģenerē audio, tu vairs nevari to mainīt šajā sesijā. Lai nomainītu balsi, ir jāatver jauna sesija.
Stila ietekmēšana, izmantojot tekstu
Izmantojot gpt-4o-mini-tts, tu vari kontrolēt stilu, pirmkārt, ar dabiskās valodas norādījumiem (instructions): akcents, emocijas, intonācija, ātrums, tonis, čukstēšana (13. nodarbība). tts-1 un tts-1-hd tos nepieņem; tev paliek tikai interpunkcija un teksta formatējums:
# Neitrāls tonis
text_neutral = "Jūsu pasūtījums ir nosūtīts. Tas pienāks rīt."
# Entuziasma pilns tonis (izsaukumzīmes)
text_excited = "Lieliskas ziņas! Jūsu pasūtījums ir nosūtīts! Tas pienāks rīt!"
# Mierīgs tonis (garie teikumi, komati)
text_calm = "Jūsu pasūtījums, kas tika rūpīgi sagatavots, ir tikko nosūtīts, un tam vajadzētu pienākt kādā brīdī rīt."
# Eksplicīta pauze (domuzīme vai daudzpunkte)
text_dramatic = "Rezultāts ir... ārkārtējs."
# Uzsvars, izmantojot daļēju lielajiem burtiem rakstīšanu
text_emphasis = "Tas ir TIEŠI tas, kas jums nepieciešams."
SSML līdzīgu efektu izmantošana, izmantojot tekstu
Dokumentācijā nav iekļauts SSML, taču tu vari simulēt dažus efektus:
def format_for_tts(text: str, pauses: dict = None) -> str:
"""Formatē tekstu, lai optimizētu TTS attēlojumu."""
# Pievieno pauzes, izmantojot daudzpunktes
if pauses:
for marker, duration in pauses.items():
dots = "..." if duration == "short" else "....."
text = text.replace(marker, dots)
return text
formatted = format_for_tts(
"Galīgais rezultāts: [pause] jūs nokārtojāt testu.",
pauses={"[pause]": "short"}
)
# → "Galīgais rezultāts: ... jūs nokārtojāt testu."
Galvenās atziņas
- 13 balsis priekš
gpt-4o-mini-tts, 9 priekštts-1untts-1-hd, 10 priekš Realtime API;marinuncedarir ieteicamas gpt-4o-mini-ttspieņem stila norādījumus (instructions); vecāki modeļi reaģē tikai uz interpunkciju- Balses izvēle ir atkarīga no konteksta: klientu apkalpošana, izglītība, stāstījums, paziņojumi
- Realtime API neļauj mainīt balsi sesijas vidū
- Interpunkcija tieši ietekmē prozodiju: izsaukumzīmes, daudzpunktes un domuzīmes rada efektus
- Vienmēr pārbaudi balsis ar savu faktisko saturu pirms galīgās izvēles