Aqbeż għall-kontenut ewlieni
Malti— Agħżel lingwa
Menu

Kontroll tal-Prosodija u r-Rata tal-Kliem

Lezzjoni 13 / 18 Aġġornat 3 ta’ Novembru 2026 Zviluppatur
F'din il-paġna
  1. Kontroll tal-Prosodija u r-Rata tal-Kliem
  2. Istruzzjonijiet tal-Vuċi għal gpt-4o-mini-tts
  3. Kontroll tar-Rata tal-Kliem bil-Parametru Speed
  4. Tekniki ta’ Ffurmatjar tat-Test
  5. Adattament tat-Test għall-Kuntest tal-Vuċi
  6. Velocità Adattiva Bbażata fuq il-Kontenut
  7. Post-Ipproċessar tal-Awdjo
  8. Punti Ewlenin

Aġġornat fit-2 ta’ Novembru, 2026 — Mudelli tal-awdjo. Diversi mudelli f’dan il-kors huma deprekati: tts-1, tts-1-hd, u gpt-4o-mini-tts se jieqfu jaħdmu fis-6 ta’ Jannar, 2027 (sukċessur: gpt-realtime-2.1-mini, li l-gwida tat-TTS ta’ OpenAI tiddikjara li mhix appoġġjata minn /v1/audio/speech: il-migrazzjoni tas-sinteżi tal-vuċi timxi lejn ir-Realtime API); gpt-realtime, gpt-4o-realtime, u mudelli tal-awdjo legacy fl-20 ta’ Jannar, 2027 (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); whisper-1, gpt-4o-transcribe, u /v1/audio/translations fis-26 ta’ Frar, 2027 (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). Għall-vuċi full-duplex, GPT-Live 1 kien disponibbli fl-API mill-10 ta’ Settembru, 2026. Lezzjoni tlestiet fit-3 ta’ Novembru, 2026: qabel kienet tħalli barra l-istruzzjonijiet tal-vuċi għal gpt-4o-mini-tts (instructions), l-aktar leva diretta għall-intonazzjoni, it-ton, u r-rata tal-kliem, li d-dokumentazzjoni tiddeskrivi u li tts-1 ma jaċċettax. Sors: Text to speech.

Kontroll tal-Prosodija u r-Rata tal-Kliem

Il-prosodija—intonazzjoni, ritmu, stress, u pawżi—hija dak li jifred vuċi sintetika robotika minn waħda naturali. L-API tat-TTS ta’ OpenAI ma tappoġġjax l-SSML, iżda toffri żewġ levi diretti: il-parametru instructions għal gpt-4o-mini-tts u l-parametru speed, supplimentati b’tekniki ta’ ffurmatjar tat-test.

Istruzzjonijiet tal-Vuċi għal gpt-4o-mini-tts

Ma’ gpt-4o-mini-tts, tiddeskrivi kif għandek titkellem b’lingwa naturali bl-użu tal-parametru instructions. Id-dokumentazzjoni telenka x’jikkontrollaw dawn l-istruzzjonijiet: aċċent, firxa emozzjonali, intonazzjoni, impersonazzjonijiet, rata tal-kliem, ton, u li titkellem bil-fiswis (whispering).

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")

Żomm it-test li għandu jinqara f’input u l-istil tal-konsenja f’instructions. Tħallithomx, inkella tirriskja li tisma’ l-istruzzjoni nnifisha tingħad b’leħen għoli. Dawn l-istruzzjonijiet ma jaħdmux ma’ tts-1 jew tts-1-hd; ma’ dawk il-mudelli, biss speed u l-iffurmatjar tat-test, diskussi hawn taħt, jaffettwaw ir-riżultat. Peress li t-tliet mudelli se jintemmu fis-6 ta’ Jannar, 2027, il-migrazzjoni lejn ir-Realtime API (Lezzjoni 10) issegwi l-istess prinċipju: l-istruzzjonijiet tat-ton jimxu fl-istruzzjonijiet tas-sessjoni jew tar-rispons.

Kontroll tar-Rata tal-Kliem bil-Parametru Speed

L-API tat-TTS tipprovdi parametru speed biex taġġusta r-rata tal-kliem:

from openai import OpenAI

client = OpenAI()

# Velocità normali (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
)

# Iktar bil-mod (0.75) — għal istruzzjonijiet kumplessi
response_slow = client.audio.speech.create(
    model="tts-1",
    voice="nova",
    input="Your appointment is confirmed for tomorrow at two PM.",
    speed=0.75
)

# Iktar mgħaġġel (1.25) — għal notifiki qosra
response_fast = client.audio.speech.create(
    model="tts-1",
    voice="nova",
    input="Your appointment is confirmed for tomorrow at two PM.",
    speed=1.25
)
Speed Range Use Case
Slow 0.25 — 0.75 Complex instructions, accessibility, elderly users
Normal 0.9 — 1.1 Conversations, training, narration
Fast 1.25 — 2.0 Notifications, confirmations, summaries

Tekniki ta’ Ffurmatjar tat-Test

Il-leva primarja biex tikkontrolla l-prosodija hija l-iffurmatjar tat-test tal-input. Il-mudell TTS jinterpreta l-punteġġjatura u l-istruttura biex jadatta r-rata u l-intonazzjoni tiegħu.

Pawżi

# Pawża qasira: comma
text_comma = "First step, check your configuration."

# Pawża medja: semicolon jew em dash
text_semi = "First step — check your configuration."

# Pawża twila: period jew ellipsis
text_dots = "First step. Check your configuration."
text_ellipsis = "First step... check your configuration."

# Pawża twila ħafna: paragrafu separat
text_para = "First step.\n\nCheck your configuration."

Enfażi u Intonazzjoni

# Mistoqsija (intonazzjoni li titla')
text_question = "Would you like to confirm this reservation?"

# Eżklamazzjoni (enfażi naturali)
text_exclaim = "Congratulations! Your registration is confirmed!"

# Enfażi permezz ta' kapitalizzazzjoni
text_caps = "It is VERY important not to skip this step."

# Lista b'ritmu (il-mudell naturalment jimmarka kull oġġett)
text_list = "You will need: one, your username. Two, your password. Three, your confirmation code."

Adattament tat-Test għall-Kuntest tal-Vuċi

It-test miktub għall-qari u t-test miktub biex jingħad huma differenti ħafna. Għal aġent tal-vuċi, ifforma mill-ġdid il-kontenut b’mod sistematiku:

def format_for_speech(text: str) -> str:
    """Jadatta test miktub għal riproduzzjoni naturali tal-vuċi."""
    import re

    # Ikteb akronimi komuni b'mod sħiħ
    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)

    # Ikteb numri żgħar bħala kliem
    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)

    # Ikteb il-ħinijiet f'format mitkellem
    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."

Velocità Adattiva Bbażata fuq il-Kontenut

Aġent intelliġenti tal-vuċi jadatta r-rata tal-kliem tiegħu għat-tip ta’ kontenut:

def adaptive_speed(content_type: str, user_preference: float = 1.0) -> float:
    """Tikkalkula l-veloċità ottimali bbażata fuq it-tip ta' kontenut."""
    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)
    # Aġġusta bil-preferenza tal-utent (0.5 sa 1.5)
    adjusted = base * user_preference
    return max(0.25, min(4.0, adjusted))  # Limita għal-limiti tal-API

# Użu
speed = adaptive_speed("phone_number", user_preference=0.9)
# → 0.63 (bil-mod għad-dettar ta' numru)

Post-Ipproċessar tal-Awdjo

Għal kontroll saħansitra aktar fin, ipproċessa l-awdjo wara l-ġenerazzjoni:

from pydub import AudioSegment

def post_process_speech(audio_bytes: bytes, adjustments: dict) -> bytes:
    """Post-ipproċessar tal-awdjo għal aġġustamenti fini."""
    import io
    audio = AudioSegment.from_mp3(io.BytesIO(audio_bytes))

    # Aġġusta l-volum
    if "volume_db" in adjustments:
        audio = audio + adjustments["volume_db"]

    # Żid 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"])

    # Żid silenzju fil-bidu (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()

Punti Ewlenin

  • Ma’ gpt-4o-mini-tts, instructions tiddeskrivi kif titkellem (ton, intonazzjoni, rata, aċċent); tts-1 u tts-1-hd ma jaċċettawx dan il-parametru
  • Il-parametru speed (0.25 sa 4.0) jikkontrolla r-rata ġenerali tal-kliem
  • Il-punteġġjatura hija l-leva primarja għall-pawżi: comma (qasira), period (twila), ellipsis (drammatika)
  • Adatta t-test għall-kuntest tal-vuċi: ikteb l-akronimi b’mod sħiħ, ikteb in-numri bħala kliem, ifformula mill-ġdid il-ħinijiet
  • Ibdel il-veloċità skont il-kontenut: bil-mod għan-numri u l-indirizzi, mgħaġġel għall-konfermi
  • Il-post-ipproċessar tal-awdjo (volum, fades, silenzju) jirfina r-riżultat finali