Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Vozes Disponíveis e Personalização

Aula 11 de 18 Atualizada a 3 de novembro de 2026 Programador
Nesta página
  1. Vozes Disponíveis e Personalização
  2. Vozes Padrão
  3. Vozes na API em Tempo Real
  4. Influenciar o Estilo Através do Texto
  5. Pontos-chave

Atualização de 2 de novembro de 2026 — Modelos de áudio. Vários modelos neste curso estão obsoletos: tts-1, tts-1-hd e gpt-4o-mini-tts serão desativados em 6 de janeiro de 2027 (sucessor: gpt-realtime-2.1-mini, que o guia de TTS da OpenAI indica não ser suportado por /v1/audio/speech: a migração de TTS exige a API em Tempo Real); gpt-realtime, gpt-4o-realtime e modelos de áudio legados em 20 de janeiro de 2027 (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); whisper-1, gpt-4o-transcribe e /v1/audio/translations em 26 de fevereiro de 2027 (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). Para voz full-duplex, o GPT-Live 1 está disponível na API desde 10 de setembro de 2026. Lição corrigida em 3 de novembro de 2026: as “seis vozes principais” e as suas personalidades já não correspondiam à documentação, que lista 13 vozes para gpt-4o-mini-tts, 9 para tts-1 e tts-1-hd, e 10 para a API em Tempo Real; gpt-4o-mini-tts aceita instruções de estilo (instructions); a voz numa sessão em Tempo Real é fixa até à primeira resposta de áudio. Fontes: Text to speech · Realtime conversations.

Vozes Disponíveis e Personalização

A escolha da voz é crítica para a experiência do utilizador do seu agente de voz. Uma voz adequada ao contexto — profissional para atendimento ao cliente, calorosa para um assistente pessoal — transforma a forma como os utilizadores percebem o agente. A API de TTS oferece várias vozes distintas, cada uma com o seu próprio caráter e pontos fortes.

Vozes Padrão

A documentação da OpenAI lista 13 vozes integradas, com disponibilidade variável consoante o modelo:

Vozgpt-4o-mini-ttstts-1, tts-1-hdAPI em Tempo Real
alloy, ash, coral, echo, sage, shimmerSimSimSim
fable, nova, onyxSimSimNão
ballad, verseSimNãoSim
marin, cedarSim, recomendadoNãoSim, recomendado

A OpenAI recomenda marin ou cedar para a mais alta qualidade e nota que as vozes estão otimizadas para inglês. Em vez de confiar em descrições, ouça-as em francês no OpenAI.fm, o site de demonstração da OpenAI, usando as suas próprias frases: um timbre que soa ótimo em inglês pode dececionar num nome de rua ou num número.

A seleção da voz pode ser dinâmica com base no tipo de conteúdo. A tabela abaixo é um exemplo para preencher após ouvir, utilizando vozes que o tts-1 também aceita:

def select_voice(context: str, tone: str = "professional") -> str:
    """Seleciona a voz ideal com base no contexto."""
    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")

# Exemplos
voice = select_voice("customer_service", "warm")    # → shimmer
voice = select_voice("education", "professional")    # → echo
voice = select_voice("narration", "authoritative")   # → onyx

Vozes na API em Tempo Real

O TTS e a API em Tempo Real partilham uma família de vozes comum, mas cada um tem o seu próprio conjunto: a API em Tempo Real adiciona marin e cedar (as duas recomendadas) e não aceita certas vozes de TTS como nova ou onyx. Define a voz em session.update:

await ws.send(json.dumps({
    "type": "session.update",
    "session": {
        "type": "realtime",
        "output_modalities": ["audio"],
        "audio": {"output": {"voice": "marin"}}
    }
}))

Escolha a voz na criação da sessão ou num response.create: assim que o modelo produz áudio, não pode alterá-la para essa sessão. Para mudar de voz, abra uma nova sessão.

Influenciar o Estilo Através do Texto

Com gpt-4o-mini-tts, controla o estilo primeiro através de instruções em linguagem natural (instructions): sotaque, emoção, entoação, velocidade, tom, sussurro (Lição 13). tts-1 e tts-1-hd não aceitam isto; fica limitado à pontuação e formatação do texto:

# Tom neutro
text_neutral = "Your order has shipped. It will arrive tomorrow."

# Tom entusiasta (exclamações)
text_excited = "Great news! Your order has shipped! It arrives tomorrow!"

# Tom calmo (frases longas, vírgulas)
text_calm = "Your order, which was carefully prepared, has just shipped, and it should arrive sometime tomorrow."

# Pausa explícita (travessão ou reticências)
text_dramatic = "The result is... extraordinary."

# Ênfase via capitalização parcial
text_emphasis = "This is EXACTLY what you need."

Utilizar Efeitos Semelhantes a SSML via Texto

A documentação não inclui SSML, mas pode simular alguns efeitos:

def format_for_tts(text: str, pauses: dict = None) -> str:
    """Formata o texto para otimizar a renderização TTS."""
    # Adicionar pausas via reticências
    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."

Pontos-chave

  • 13 vozes para gpt-4o-mini-tts, 9 para tts-1 e tts-1-hd, 10 para a API em Tempo Real; marin e cedar são recomendados
  • gpt-4o-mini-tts aceita instruções de estilo (instructions); modelos mais antigos respondem apenas à pontuação
  • A escolha da voz depende do contexto: atendimento ao cliente, educação, narração, notificações
  • Não pode alterar a voz a meio da sessão na API em Tempo Real
  • A pontuação afeta diretamente a prosódia: pontos de exclamação, reticências e travessões criam efeitos
  • Teste sempre as vozes no seu conteúdo real antes de fazer uma escolha final