Dostępne głosy i dostosowanie
Na tej stronie
Aktualizacja z 2 listopada 2026 — Modele audio. Kilka modeli w tym kursie jest przestarzałych:
tts-1,tts-1-hdorazgpt-4o-mini-ttszostaną wyłączone 6 stycznia 2027 r. (następca:gpt-realtime-2.1-mini, który zgodnie z przewodnikiem OpenAI TTS nie jest obsługiwany przez/v1/audio/speech: migracja TTS wymaga API Realtime);gpt-realtime,gpt-4o-realtimeoraz starsze modele audio 20 stycznia 2027 r. (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribeoraz/v1/audio/translations26 lutego 2027 r. (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). W przypadku komunikacji pełnodupleksowej, GPT-Live 1 jest dostępny w API od 10 września 2026 r. Lekcja poprawiona 3 listopada 2026 r.: „sześć głównych głosów“ i ich osobowości nie odpowiadały już dokumentacji, która wymienia 13 głosów dlagpt-4o-mini-tts, 9 dlatts-1itts-1-hdoraz 10 dla API Realtime;gpt-4o-mini-ttsakceptuje instrukcje stylu (instructions); głos w sesji Realtime jest ustalony aż do pierwszej odpowiedzi audio. Źródła: Text to speech · Realtime conversations.
Dostępne głosy i dostosowanie
Wybór głosu ma kluczowe znaczenie dla doświadczenia użytkownika Twojego agenta głosowego. Głos dopasowany do kontekstu – profesjonalny w obsłudze klienta, ciepły w osobistym asystencie – zmienia sposób, w jaki użytkownicy postrzegają agenta. API TTS oferuje kilka wyraźnie różnych głosów, z których każdy ma swój własny charakter i mocne strony.
Głosy standardowe
Dokumentacja OpenAI wymienia 13 wbudowanych głosów, przy czym ich dostępność zależy od modelu:
| Głos | gpt-4o-mini-tts | tts-1, tts-1-hd | API Realtime |
|---|---|---|---|
alloy, ash, coral, echo, sage, shimmer | Tak | Tak | Tak |
fable, nova, onyx | Tak | Tak | Nie |
ballad, verse | Tak | Nie | Tak |
marin, cedar | Tak, zalecane | Nie | Tak, zalecane |
OpenAI rekomenduje marin lub cedar jako głosy najwyższej jakości i zaznacza, że są one zoptymalizowane pod kątem języka angielskiego. Zamiast polegać na opisach, odsłuchaj je w języku francuskim na stronie demonstracyjnej OpenAI OpenAI.fm, używając własnych fraz: barwa brzmiąca świetnie po angielsku może rozczarować przy wymawianiu nazwy ulicy lub liczby.
Wybór głosu może być dynamiczny i zależny od typu treści. Poniższa tabela stanowi przykład do uzupełnienia po odsłuchaniu, z wykorzystaniem głosów akceptowanych również przez tts-1:
def select_voice(context: str, tone: str = "professional") -> str:
"""Wybiera optymalny głos na podstawie kontekstu."""
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")
# Przykłady
voice = select_voice("customer_service", "warm") # → shimmer
voice = select_voice("education", "professional") # → echo
voice = select_voice("narration", "authoritative") # → onyx
Głosy w API Realtime
TTS i API Realtime dzielą wspólną rodzinę głosów, ale każdy z nich ma swój własny zestaw: API Realtime dodaje marin i cedar (dwa zalecane) i nie akceptuje niektórych głosów TTS, takich jak nova czy onyx. Głos definiujesz w session.update:
await ws.send(json.dumps({
"type": "session.update",
"session": {
"type": "realtime",
"output_modalities": ["audio"],
"audio": {"output": {"voice": "marin"}}
}
}))
Wybierz głos podczas tworzenia sesji lub w response.create: gdy tylko model wygeneruje audio, nie możesz go zmienić dla tej sesji. Aby przełączyć głosy, otwórz nową sesję.
Wpływanie na styl poprzez tekst
W przypadku gpt-4o-mini-tts sterujesz stylem przede wszystkim za pomocą instrukcji w języku naturalnym (instructions): akcent, emocje, intonacja, szybkość, ton, szept (Lekcja 13). tts-1 i tts-1-hd nie akceptują tych parametrów; pozostaje Ci korzystanie z interpunkcji i formatowania tekstu:
# Ton neutralny
text_neutral = "Your order has shipped. It will arrive tomorrow."
# Ton entuzjastyczny (wykrzykniki)
text_excited = "Great news! Your order has shipped! It arrives tomorrow!"
# Ton spokojny (długie zdania, przecinki)
text_calm = "Your order, which was carefully prepared, has just shipped, and it should arrive sometime tomorrow."
# Wyraźna pauza (pauza lub wielokropek)
text_dramatic = "The result is... extraordinary."
# Akcent poprzez częściową kapitalizację
text_emphasis = "This is EXACTLY what you need."
Wykorzystywanie efektów podobnych do SSML poprzez tekst
Dokumentacja nie zawiera obsługi SSML, ale możesz zasymulować niektóre efekty:
def format_for_tts(text: str, pauses: dict = None) -> str:
"""Formatuje tekst w celu optymalizacji renderowania TTS."""
# Dodawanie pauz za pomocą wielokropków
if pauses:
for marker, duration in pauses.items():
dots = "..." if duration == "short" else "....."
text = text.replace(marker, dots)
return text
formatted = format_for_tts(
"Final result: [pause] you passed the test.",
pauses={"[pause]": "short"}
)
# → "Final result: ... you passed the test."
Kluczowe wnioski
- 13 głosów dla
gpt-4o-mini-tts, 9 dlatts-1itts-1-hd, 10 dla API Realtime;marinicedarsą zalecane gpt-4o-mini-ttsakceptuje instrukcje stylu (instructions); starsze modele reagują tylko na interpunkcję- Wybór głosu zależy od kontekstu: obsługa klienta, edukacja, narracja, powiadomienia
- Nie możesz zmienić głosu w trakcie trwania sesji w API Realtime
- Interpunkcja bezpośrednio wpływa na prozodię: wykrzykniki, wielokropki i myślniki tworzą efekty
- Zawsze testuj głosy na swojej rzeczywistej treści przed podjęciem ostatecznej decyzji