Controlo da Prosódia e da Velocidade da Fala
Nesta página
Atualizado a 2 de novembro de 2026 — Modelos de áudio. Vários modelos neste curso estão obsoletos:
tts-1,tts-1-hdegpt-4o-mini-ttsdeixarão 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-realtimee 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-transcribee/v1/audio/translationsa 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 paragpt-4o-mini-tts(instructions), a alavanca mais direta para entonação, tom e velocidade da fala, conforme descrito na documentação e quetts-1não 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,instructionsdescreve como falar (tom, entonação, velocidade, sotaque);tts-1etts-1-hdnão 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