Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Controlo da Prosódia e da Velocidade da Fala

Aula 13 de 18 Atualizada a 3 de novembro de 2026 Programador
Nesta página
  1. Controlo da Prosódia e da Velocidade da Fala
  2. Instruções de Voz para gpt-4o-mini-tts
  3. Controlo da Velocidade da Fala com o Parâmetro Speed
  4. Técnicas de Formatação de Texto
  5. Adaptação do Texto para Contexto de Voz
  6. Velocidade Adaptativa com Base no Conteúdo
  7. Pós-processamento de Áudio
  8. Pontos-chave

Atualizado a 2 de novembro de 2026 — Modelos de áudio. Vários modelos neste curso estão obsoletos: tts-1, tts-1-hd e gpt-4o-mini-tts deixarão de funcionar a 6 de janeiro de 2027 (sucessor: gpt-realtime-2.1-mini, que o guia TTS da OpenAI indica não ser suportado por /v1/audio/speech: a migração da síntese de voz passa para a Realtime API); gpt-realtime, gpt-4o-realtime e modelos de áudio legados a 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 a 26 de fevereiro de 2027 (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). Para voz em full-duplex, o GPT-Live 1 está disponível na API desde 10 de setembro de 2026. Lição concluída a 3 de novembro de 2026: anteriormente omitia instruções de voz para gpt-4o-mini-tts (instructions), a alavanca mais direta para entonação, tom e velocidade da fala, conforme descrito na documentação e que tts-1 não aceita. Fonte: Text to speech.

Controlo da Prosódia e da Velocidade da Fala

A prosódia — entonação, ritmo, ênfase e pausas — é o que separa uma voz sintética robótica de uma natural. A API TTS da OpenAI não suporta SSML, mas oferece duas alavancas diretas: o parâmetro instructions para gpt-4o-mini-tts e o parâmetro speed, complementados por técnicas de formatação de texto.

Instruções de Voz para gpt-4o-mini-tts

Com gpt-4o-mini-tts, descreve como falar em linguagem natural utilizando o parâmetro instructions. A documentação lista o que estas instruções controlam: sotaque, gama emocional, entonação, imitações, velocidade da fala, tom e sussurro.

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")

Mantenha o texto a ser lido em input e o estilo de entrega em instructions. Não os misture, ou corre o risco de ouvir a própria instrução ser lida em voz alta. Estas instruções não funcionam com tts-1 nem tts-1-hd; com esses modelos, apenas speed e a formatação de texto, discutidas abaixo, afetam o resultado. Como todos os três modelos serão desativados a 6 de janeiro de 2027, a migração para a Realtime API (Lição 10) segue este mesmo princípio: as instruções de tom passam para as instruções de sessão ou de resposta.

Controlo da Velocidade da Fala com o Parâmetro Speed

A API TTS fornece o parâmetro speed para ajustar a velocidade da fala:

from openai import OpenAI

client = OpenAI()

# Velocidade normal (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
)

# Mais lento (0.75) — para instruções complexas
response_slow = client.audio.speech.create(
    model="tts-1",
    voice="nova",
    input="Your appointment is confirmed for tomorrow at two PM.",
    speed=0.75
)

# Mais rápido (1.25) — para notificações curtas
response_fast = client.audio.speech.create(
    model="tts-1",
    voice="nova",
    input="Your appointment is confirmed for tomorrow at two PM.",
    speed=1.25
)
Velocidade Intervalo Caso de Uso
Lento 0.25 — 0.75 Instruções complexas, acessibilidade, utilizadores idosos
Normal 0.9 — 1.1 Conversas, formação, narração
Rápido 1.25 — 2.0 Notificações, confirmações, resumos

Técnicas de Formatação de Texto

A principal alavanca para controlar a prosódia é formatar o texto de entrada. O modelo TTS interpreta a pontuação e a estrutura para adaptar a sua velocidade e entonação.

Pausas

# Pausa curta: vírgula
text_comma = "First step, check your configuration."

# Pausa média: ponto e vírgula ou travessão
text_semi = "First step — check your configuration."

# Pausa longa: ponto final ou reticências
text_dots = "First step. Check your configuration."
text_ellipsis = "First step... check your configuration."

# Pausa muito longa: parágrafo separado
text_para = "First step.\n\nCheck your configuration."

Ênfase e Entonação

# Pergunta (entonação ascendente)
text_question = "Would you like to confirm this reservation?"

# Exclamação (ênfase natural)
text_exclaim = "Congratulations! Your registration is confirmed!"

# Ênfase via capitalização
text_caps = "It is VERY important not to skip this step."

# Lista com ritmo (o modelo marca naturalmente cada item)
text_list = "You will need: one, your username. Two, your password. Three, your confirmation code."

Adaptação do Texto para Contexto de Voz

Texto escrito para leitura e texto escrito para fala são muito diferentes. Para um agente de voz, reformate sistematicamente o conteúdo:

def format_for_speech(text: str) -> str:
    """Adapta texto escrito para reprodução de voz natural."""
    import re

    # Soletrar siglas comuns
    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)

    # Escrever números pequenos por extenso
    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)

    # Escrever horas no formato falado
    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."

Velocidade Adaptativa com Base no Conteúdo

Um agente de voz inteligente adapta a sua velocidade de fala ao tipo de conteúdo:

def adaptive_speed(content_type: str, user_preference: float = 1.0) -> float:
    """Calcula a velocidade ideal com base no tipo de conteúdo."""
    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)
    # Ajustar com a preferência do utilizador (0.5 a 1.5)
    adjusted = base * user_preference
    return max(0.25, min(4.0, adjusted))  # Limitar aos limites da API

# Utilização
speed = adaptive_speed("phone_number", user_preference=0.9)
# → 0.63 (lento para ditar um número)

Pós-processamento de Áudio

Para um controlo ainda mais fino, processe o áudio após a geração:

from pydub import AudioSegment

def post_process_speech(audio_bytes: bytes, adjustments: dict) -> bytes:
    """Pós-processamento de áudio para ajustes finos."""
    import io
    audio = AudioSegment.from_mp3(io.BytesIO(audio_bytes))

    # Ajustar volume
    if "volume_db" in adjustments:
        audio = audio + adjustments["volume_db"]

    # Adicionar 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"])

    # Adicionar silêncio no início (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()

Pontos-chave

  • Com gpt-4o-mini-tts, instructions descreve como falar (tom, entonação, velocidade, sotaque); tts-1 e tts-1-hd não aceitam este parâmetro
  • O parâmetro speed (0.25 a 4.0) controla a velocidade global da fala
  • A pontuação é a principal alavanca para pausas: vírgula (curta), ponto final (longa), reticências (dramática)
  • Adapte o texto para contexto de voz: soletrar siglas, escrever números por extenso, reformular horas
  • Varie a velocidade conforme o conteúdo: lento para números e moradas, rápido para confirmações
  • O pós-processamento de áudio (volume, fades, silêncio) refina o resultado final