Kontroll tal-Prosodija u r-Rata tal-Kliem
F'din il-paġna
Aġġornat fit-2 ta’ Novembru, 2026 — Mudelli tal-awdjo. Diversi mudelli f’dan il-kors huma deprekati:
tts-1,tts-1-hd, ugpt-4o-mini-ttsse 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/translationsfis-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 għalgpt-4o-mini-tts(instructions), l-aktar leva diretta għall-intonazzjoni, it-ton, u r-rata tal-kliem, li d-dokumentazzjoni tiddeskrivi u litts-1ma 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,instructionstiddeskrivi kif titkellem (ton, intonazzjoni, rata, aċċent);tts-1utts-1-hdma 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