Sterowanie prozodią i tempem mowy
Na tej stronie
Zaktualizowano 2 listopada 2026 — Modele audio. Kilka modeli w tym kursie zostało wycofanych:
tts-1,tts-1-hdorazgpt-4o-mini-ttsprzestaną 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-realtimeoraz starsze modele audio 20 stycznia 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribeoraz/v1/audio/translations26 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 dlagpt-4o-mini-tts(instructions), będące najbardziej bezpośrednim narzędziem do sterowania intonacją, tonem i tempem mowy, co opisuje dokumentacja, a czegotts-1nie 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-ttsparametrinstructionsopisuje sposób mówienia (ton, intonacja, tempo, akcent); modeletts-1itts-1-hdnie 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