Przejdź do głównej treści
Polski— Wybierz język
Menu

Dostępne głosy i dostosowanie

Lekcja 11 z 18 Zaktualizowano 3 listopada 2026 Programista
Na tej stronie
  1. Dostępne głosy i dostosowanie
  2. Głosy standardowe
  3. Głosy w API Realtime
  4. Wpływanie na styl poprzez tekst
  5. Kluczowe wnioski

Aktualizacja z 2 listopada 2026 — Modele audio. Kilka modeli w tym kursie jest przestarzałych: tts-1, tts-1-hd oraz gpt-4o-mini-tts zostaną 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-realtime oraz starsze modele audio 20 stycznia 2027 r. (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); whisper-1, gpt-4o-transcribe oraz /v1/audio/translations 26 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 dla gpt-4o-mini-tts, 9 dla tts-1 i tts-1-hd oraz 10 dla API Realtime; gpt-4o-mini-tts akceptuje 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:

Głosgpt-4o-mini-ttstts-1, tts-1-hdAPI Realtime
alloy, ash, coral, echo, sage, shimmerTakTakTak
fable, nova, onyxTakTakNie
ballad, verseTakNieTak
marin, cedarTak, zalecaneNieTak, 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 dla tts-1 i tts-1-hd, 10 dla API Realtime; marin i cedar są zalecane
  • gpt-4o-mini-tts akceptuje 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