Vozes Disponíveis e Personalização
Nesta página
Atualização de 2 de novembro de 2026 — Modelos de áudio. Vários modelos neste curso estão obsoletos:
tts-1,tts-1-hdegpt-4o-mini-ttsserão 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-realtimee 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-transcribee/v1/audio/translationsem 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 paragpt-4o-mini-tts, 9 paratts-1etts-1-hd, e 10 para a API em Tempo Real;gpt-4o-mini-ttsaceita 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:
| Voz | gpt-4o-mini-tts | tts-1, tts-1-hd | API em Tempo Real |
|---|---|---|---|
alloy, ash, coral, echo, sage, shimmer | Sim | Sim | Sim |
fable, nova, onyx | Sim | Sim | Não |
ballad, verse | Sim | Não | Sim |
marin, cedar | Sim, recomendado | Não | Sim, 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 paratts-1etts-1-hd, 10 para a API em Tempo Real;marinecedarsão recomendados gpt-4o-mini-ttsaceita 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