Prozodijas un runas ātruma vadība
Šajā lapā
Atjaunināts 2026. gada 2. novembrī — Audio modeļi. Vairāki šī kursa modeļi ir novecojuši:
tts-1,tts-1-hdungpt-4o-mini-ttspārtrauks darboties 2027. gada 6. janvārī (pēctecis:gpt-realtime-2.1-mini, ko OpenAI TTS rokasgrāmata norāda kā ** neatbalstītu ar/v1/audio/speech**: balss sintēzes migrācija pāriet uz 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 balsij GPT-Live 1 ir pieejams API kopš 2026. gada 10. septembra. Nodarbība pabeigta 2026. gada 3. novembrī: iepriekš tajā trūka balss norādījumu (instructions) apraksta priekšgpt-4o-mini-tts, kas ir vistiešākais svira intonācijas, tonalitātes un runas ātruma kontrolēšanai, ko dokumentācija apraksta un kotts-1nepieņem. Avots: Text to speech.
Prozodijas un runas ātruma vadība
Prozodija — intonācija, ritms, uzsvars un pauzes — ir tas, kas atdala robotisku sintētisko balsi no dabiskas. OpenAI TTS API neatbalsta SSML, taču piedāvā divus tiešus instrumentus: parametru instructions modelim gpt-4o-mini-tts un parametru speed, ko papildina teksta formatēšanas paņēmieni.
Balss norādījumi modelim gpt-4o-mini-tts
Izmantojot gpt-4o-mini-tts, tu dabiskā valodā apraksti, kā runāt, izmantojot parametru instructions. Dokumentācija uzskaita, ko šie norādījumi kontrolē: akcents, emociju diapazons, intonācija, imitācijas, runas ātrums, tonalitāte un čukstēšana.
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")
Tekstu, kas jāizrunā, glabā laukā input, bet izpildes stilu — laukā instructions. Nesajauc tos, citādi riskē dzirdēt pašu norādījumu izrunātu skaļi. Šie norādījumi nedarbojas ar tts-1 vai tts-1-hd; ar šiem modeļiem izvadi ietekmē tikai speed un turpmāk apskatītie teksta formatēšanas paņēmieni. Tā kā visi trīs modeļi tiks izslēgti 2027. gada 6. janvārī, migrācija uz Realtime API (10. nodarbība) seko tam pašam principam: tonalitātes norādījumi pāriet uz sesijas vai atbildes norādījumiem.
Runas ātruma vadība ar parametru Speed
TTS API nodrošina parametru speed, lai pielāgotu runas ātrumu:
from openai import OpenAI
client = OpenAI()
# Normāls ātrums (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
)
# Lēnāks (0.75) — sarežģītām instrukcijām
response_slow = client.audio.speech.create(
model="tts-1",
voice="nova",
input="Your appointment is confirmed for tomorrow at two PM.",
speed=0.75
)
# Ātrāks (1.25) — īsiem paziņojumiem
response_fast = client.audio.speech.create(
model="tts-1",
voice="nova",
input="Your appointment is confirmed for tomorrow at two PM.",
speed=1.25
)
| Ātrums | Diapazons | Lietojums |
|---|---|---|
| Lēns | 0.25 — 0.75 | Sarežģītas instrukcijas, pieejamība, gados vecāki lietotāji |
| Normāls | 0.9 — 1.1 | Sarunas, apmācība, narācija |
| Ātrs | 1.25 — 2.0 | Paziņojumi, apstiprinājumi, kopsavilkumi |
Teksta formatēšanas paņēmieni
Galvenais sviras punkts prozodijas kontrolēšanai ir ievades teksta formatēšana. TTS modelis interpretē interpunkciju un struktūru, lai pielāgotu savu ātrumu un intonāciju.
Pauzes
# Īsa pauze: komats
text_comma = "First step, check your configuration."
# Vidēja pauze: semikols vai domuzīme
text_semi = "First step — check your configuration."
# Gara pauze: punkts vai daudzteiksmis
text_dots = "First step. Check your configuration."
text_ellipsis = "First step... check your configuration."
# Ļoti gara pauze: atsevišķs rindkopa
text_para = "First step.\n\nCheck your configuration."
Uzsvars un intonācija
# Jautājums (augoša intonācija)
text_question = "Would you like to confirm this reservation?"
# Izsaucums (dabisks uzsvars)
text_exclaim = "Congratulations! Your registration is confirmed!"
# Uzsvars, izmantojot lielos burtus
text_caps = "It is VERY important not to skip this step."
# Saraksts ar ritmu (modelis dabiski izceļ katru vienumu)
text_list = "You will need: one, your username. Two, your password. Three, your confirmation code."
Teksta pielāgošana balss kontekstam
Teksts, kas rakstīts lasīšanai, un teksts, kas rakstīts runāšanai, ir ļoti atšķirīgi. Balss aģentam sistemātiski pārformatē saturu:
def format_for_speech(text: str) -> str:
"""Pielāgo rakstītu tekstu dabiskai balss atskaņošanai."""
import re
# Izvērš bieži lietotos saīsinājumus
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)
# Mazus skaitļus raksta vārdos
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)
# Laiku raksta runas formātā
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."
Adaptīvs ātrums atkarībā no satura
Inteliģents balss aģents pielāgo savu runas ātrumu satura tipam:
def adaptive_speed(content_type: str, user_preference: float = 1.0) -> float:
"""Aprēķina optimālo ātrumu, pamatojoties uz satura tipu."""
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)
# Pielāgo lietotāja preferencēm (0.5 līdz 1.5)
adjusted = base * user_preference
return max(0.25, min(4.0, adjusted)) # Ierobežo līdz API robežām
# Lietojums
speed = adaptive_speed("phone_number", user_preference=0.9)
# → 0.63 (lēni, lai diktētu numuru)
Audio pēcapstrāde
Lai iegūtu vēl smalkāku kontroli, apstrādā audio pēc ģenerēšanas:
from pydub import AudioSegment
def post_process_speech(audio_bytes: bytes, adjustments: dict) -> bytes:
"""Audio pēcapstrāde smalkiem pielāgojumiem."""
import io
audio = AudioSegment.from_mp3(io.BytesIO(audio_bytes))
# Pielāgo skaļumu
if "volume_db" in adjustments:
audio = audio + adjustments["volume_db"]
# Pievieno ieplūšanu/izplūšanu (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"])
# Pievieno klusumu sākumā (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()
Galvenās atziņas
- Ar
gpt-4o-mini-ttsparametrsinstructionsapraksta, kā runāt (tonalitāte, intonācija, ātrums, akcents);tts-1untts-1-hdšo parametru nepieņem - Parametrs
speed(no 0.25 līdz 4.0) kontrolē kopējo runas ātrumu - Interpunkcija ir galvenais sviras punkts pauzēm: komats (īsa), punkts (gara), daudzteiksmis (dramatiska)
- Pielāgo tekstu balss kontekstam: izvērš saīsinājumus, raksti skaitļus vārdos, pārfrāzē laikus
- Maini ātrumu atkarībā no satura: lēni skaitļiem un adresēm, ātri apstiprinājumiem
- Audio pēcapstrāde (skaļums, ieplūšana/izplūšana, klusums) pilnveido gala izvadi