Przejdź do głównej treści
Polski— Wybierz język
Menu

Sterowanie prozodią i tempem mowy

Lekcja 13 z 18 Zaktualizowano 3 listopada 2026 Programista
Na tej stronie
  1. Sterowanie prozodią i tempem mowy
  2. Instrukcje głosowe dla gpt-4o-mini-tts
  3. Sterowanie tempem mowy za pomocą parametru Speed
  4. Techniki formatowania tekstu
  5. Dostosowywanie tekstu do kontekstu głosowego
  6. Adaptacyjne tempo w zależności od treści
  7. Postprodukcja audio
  8. Kluczowe wnioski

Zaktualizowano 2 listopada 2026 — Modele audio. Kilka modeli w tym kursie zostało wycofanych: tts-1, tts-1-hd oraz gpt-4o-mini-tts przestaną działać 6 stycznia 2027 (następca: gpt-realtime-2.1-mini, który zgodnie z przewodnikiem OpenAI TTS nie jest obsługiwany przez /v1/audio/speech: migracja syntezy głosu przechodzi do Realtime API); gpt-realtime, gpt-4o-realtime oraz starsze modele audio 20 stycznia 2027 (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 (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). Dla komunikacji pełnodupleksowej GPT-Live 1 jest dostępny w API od 10 września 2026. Lekcja ukończona 3 listopada 2026: wcześniej pominięto instrukcje głosowe dla gpt-4o-mini-tts (instructions), będące najbardziej bezpośrednim narzędziem do sterowania intonacją, tonem i tempem mowy, co opisuje dokumentacja, a czego tts-1 nie akceptuje. Źródło: Text to speech.

Sterowanie prozodią i tempem mowy

Prozodia — czyli intonacja, rytm, akcentowanie i pauzy — to cecha odróżniająca naturalny głos od syntetycznego, robotycznego brzmienia. API TTS OpenAI nie obsługuje standardu SSML, ale oferuje dwa bezpośrednie mechanizmy: parametr instructions dla modelu gpt-4o-mini-tts oraz parametr speed, wspierane technikami formatowania tekstu.

Instrukcje głosowe dla gpt-4o-mini-tts

W przypadku modelu gpt-4o-mini-tts opisujesz sposób wymowy w języku naturalnym, używając parametru instructions. Dokumentacja wymienia elementy, które te instrukcje kontrolują: akcent, zakres emocjonalny, intonację, naśladownictwo, tempo mowy, ton oraz szept.

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")

Tekst do wypowiedzenia umieść w parametrze input, a styl wykonania w instructions. Nie mieszaj ich, ponieważ ryzykujesz, że sama instrukcja zostanie wypowiedziana na głos. Te instrukcje nie działają z modelami tts-1 ani tts-1-hd; w ich przypadku na wynik wpływają wyłącznie parametr speed oraz formatowanie tekstu, o czym mowa poniżej. Ponieważ wszystkie trzy modele zostaną wycofane 6 stycznia 2027, migracja do Realtime API (Lekcja 10) podlega tej samej zasadzie: instrukcje dotyczące tonu przenoszone są do instrukcji sesji lub odpowiedzi.

Sterowanie tempem mowy za pomocą parametru Speed

API TTS udostępnia parametr speed pozwalający dostosować tempo mówienia:

from openai import OpenAI

client = OpenAI()

# Normalna prędkość (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
)

# Wolniej (0.75) — dla złożonych instrukcji
response_slow = client.audio.speech.create(
    model="tts-1",
    voice="nova",
    input="Your appointment is confirmed for tomorrow at two PM.",
    speed=0.75
)

# Szybciej (1.25) — dla krótkich powiadomień
response_fast = client.audio.speech.create(
    model="tts-1",
    voice="nova",
    input="Your appointment is confirmed for tomorrow at two PM.",
    speed=1.25
)
Prędkość Zakres Przypadek użycia
Wolna 0.25 — 0.75 Złożone instrukcje, dostępność, użytkownicy starsi
Normalna 0.9 — 1.1 Rozmowy, szkolenia, narracja
Szybka 1.25 — 2.0 Powiadomienia, potwierdzenia, podsumowania

Techniki formatowania tekstu

Głównym narzędziem do kontrolowania prozodii jest odpowiednie sformatowanie tekstu wejściowego. Model TTS interpretuje interpunkcję i strukturę, aby dostosować tempo i intonację.

Pauzy

# Krótka pauza: przecinek
text_comma = "First step, check your configuration."

# Średnia pauza: średnik lub myślnik
text_semi = "First step — check your configuration."

# Długa pauza: kropka lub wielokropek
text_dots = "First step. Check your configuration."
text_ellipsis = "First step... check your configuration."

# Bardzo długa pauza: osobny akapit
text_para = "First step.\n\nCheck your configuration."

Akcentowanie i intonacja

# Pytanie (rosnąca intonacja)
text_question = "Would you like to confirm this reservation?"

# Wykrzyknik (naturalne podkreślenie)
text_exclaim = "Congratulations! Your registration is confirmed!"

# Podkreślenie poprzez wielkie litery
text_caps = "It is VERY important not to skip this step."

# Lista z rytmem (model naturalnie oznacza każdą pozycję)
text_list = "You will need: one, your username. Two, your password. Three, your confirmation code."

Dostosowywanie tekstu do kontekstu głosowego

Tekst pisany do czytania wzrokiem i tekst przeznaczony do odsłuchu znacznie się różnią. W przypadku agenta głosowego systematycznie przekształcaj treści:

def format_for_speech(text: str) -> str:
    """Dostosowuje tekst pisany do naturalnego odtwarzania głosowego."""
    import re

    # Rozwijaj powszechne akronimy
    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)

    # Zapisuj małe liczby słownie
    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)

    # Zapisuj godziny w formacie mówionym
    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."

Adaptacyjne tempo w zależności od treści

Inteligentny agent głosowy dostosowuje tempo mowy do rodzaju treści:

def adaptive_speed(content_type: str, user_preference: float = 1.0) -> float:
    """Oblicza optymalną prędkość na podstawie typu treści."""
    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)
    # Dostosuj do preferencji użytkownika (od 0.5 do 1.5)
    adjusted = base * user_preference
    return max(0.25, min(4.0, adjusted))  # Ogranicz do limitów API

# Użycie
speed = adaptive_speed("phone_number", user_preference=0.9)
# → 0.63 (wolno przy dyktowaniu numeru)

Postprodukcja audio

Aby uzyskać jeszcze większą precyzję, przetwórz dźwięk po jego wygenerowaniu:

from pydub import AudioSegment

def post_process_speech(audio_bytes: bytes, adjustments: dict) -> bytes:
    """Postprodukcja audio dla precyzyjnych dostosowań."""
    import io
    audio = AudioSegment.from_mp3(io.BytesIO(audio_bytes))

    # Dostosuj głośność
    if "volume_db" in adjustments:
        audio = audio + adjustments["volume_db"]

    # Dodaj wygaszanie (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"])

    # Dodaj ciszę na początku (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()

Kluczowe wnioski

  • W modelu gpt-4o-mini-tts parametr instructions opisuje sposób mówienia (ton, intonacja, tempo, akcent); modele tts-1 i tts-1-hd nie akceptują tego parametru
  • Parametr speed (od 0.25 do 4.0) kontroluje ogólne tempo mowy
  • Interpunkcja jest głównym narzędziem do tworzenia pauz: przecinek (krótka), kropka (długa), wielokropek (dramatyczna)
  • Dostosuj tekst do kontekstu głosowego: rozwijaj akronimy, zapisuj liczby słownie, przeredaguj format godzin
  • Zmieniaj tempo w zależności od treści: wolno dla liczb i adresów, szybko dla potwierdzeń
  • Postprodukcja audio (głośność, wygaszanie, cisza) dopracowuje finalny wynik