Salt la conținutul principal
Română— Alege o limbă
Meniu

Voci disponibile și personalizare

Lecția 11 din 18 Actualizată 3 noiembrie 2026 Dezvoltator
Pe această pagină
  1. Voci disponibile și personalizare
  2. Voci standard
  3. Voci în API-ul Realtime
  4. Influențarea stilului prin text
  5. Puncte cheie

Actualizare 2 noiembrie 2026 — Modele audio. Mai multe modele din acest curs sunt depreciate: tts-1, tts-1-hd și gpt-4o-mini-tts vor fi închise pe 6 ianuarie 2027 (succesor: gpt-realtime-2.1-mini, pe care ghidul OpenAI TTS îl declară necompatibil cu /v1/audio/speech: migrarea TTS necesită API-ul Realtime); gpt-realtime, gpt-4o-realtime și modelele audio legacy pe 20 ianuarie 2027 (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); whisper-1, gpt-4o-transcribe și /v1/audio/translations pe 26 februarie 2027 (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). Pentru voce full-duplex, GPT-Live 1 este disponibil în API din 10 septembrie 2026. Lecție corectată pe 3 noiembrie 2026: „cele șase voci principale“ și personalitățile lor nu mai corespundeau documentației, care listează 13 voci pentru gpt-4o-mini-tts, 9 pentru tts-1 și tts-1-hd, și 10 pentru API-ul Realtime; gpt-4o-mini-tts acceptă instrucțiuni de stil (instructions); vocea într-o sesiune Realtime este fixată până la primul răspuns audio. Surse: Text to speech · Realtime conversations.

Voci disponibile și personalizare

Alegerea vocii este critică pentru experiența utilizatorului cu agentul vocal. O voce adaptată contextului—profesională pentru serviciul clienți, caldă pentru un asistent personal—transformă modul în care utilizatorii percep agentul. API-ul TTS oferă mai multe voci distincte, fiecare având propriul caracter și puncte forte.

Voci standard

Documentația OpenAI listează 13 voci integrate, disponibilitatea variind în funcție de model:

Vocegpt-4o-mini-ttstts-1, tts-1-hdAPI Realtime
alloy, ash, coral, echo, sage, shimmerDaDaDa
fable, nova, onyxDaDaNu
ballad, verseDaNuDa
marin, cedarDa, recomandatNuDa, recomandat

OpenAI recomandă marin sau cedar pentru cea mai înaltă calitate și menționează că vocile sunt optimizate pentru limba engleză. În loc să vă bazați pe descrieri, ascultați-le în franceză pe OpenAI.fm, site-ul demo OpenAI, folosind propriile fraze: un timbru care sună excelent în engleză ar putea dezamăgi la rostirea unui nume de stradă sau a unui număr.

Selecția vocii poate fi dinamică, în funcție de tipul de conținut. Tabelul de mai jos este un exemplu de completat după ascultare, folosind voci acceptate și de tts-1:

def select_voice(context: str, tone: str = "professional") -> str:
    """Selectează vocea optimă în funcție de context."""
    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")

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

Voci în API-ul Realtime

TTS și API-ul Realtime partajează o familie comună de voci, dar fiecare are propriul set: API-ul Realtime adaugă marin și cedar (cele două recomandate) și nu acceptă anumite voci TTS precum nova sau onyx. Definiți vocea în session.update:

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

Alegeți vocea la crearea sesiunii sau într-un response.create: odată ce modelul produce audio, nu o mai puteți schimba pentru acea sesiune. Pentru a comuta vocile, deschideți o nouă sesiune.

Influențarea stilului prin text

Cu gpt-4o-mini-tts, controlați stilul în primul rând prin instrucțiuni în limbaj natural (instructions): accent, emoție, intonație, viteză, ton, șoaptă (Lecția 13). tts-1 și tts-1-hd nu acceptă acestea; rămâneți cu punctuația și formatarea textului:

# Ton neutru
text_neutral = "Your order has shipped. It will arrive tomorrow."

# Ton entuziast (exclamații)
text_excited = "Great news! Your order has shipped! It arrives tomorrow!"

# Ton calm (propoziții lungi, virgule)
text_calm = "Your order, which was carefully prepared, has just shipped, and it should arrive sometime tomorrow."

# Pauză explicită (liniuță de dialog sau puncte de suspensie)
text_dramatic = "The result is... extraordinary."

# Accentuare prin capitalizare parțială
text_emphasis = "This is EXACTLY what you need."

Utilizarea efectelor de tip SSML prin text

Documentația nu include SSML, dar puteți simula unele efecte:

def format_for_tts(text: str, pauses: dict = None) -> str:
    """Formatează textul pentru a optimiza randarea TTS."""
    # Adaugă pauze prin puncte de suspensie
    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."

Puncte cheie

  • 13 voci pentru gpt-4o-mini-tts, 9 pentru tts-1 și tts-1-hd, 10 pentru API-ul Realtime; marin și cedar sunt recomandate
  • gpt-4o-mini-tts acceptă instrucțiuni de stil (instructions); modelele mai vechi răspund doar la punctuație
  • Alegerea vocii depinde de context: serviciu clienți, educație, narare, notificări
  • Nu puteți schimba vocea în timpul unei sesiuni în API-ul Realtime
  • Punctuația afectează direct prozodia: semnele de exclamare, punctele de suspensie și liniuțele creează efecte
  • Testați întotdeauna vocile pe conținutul dumneavoastră real înainte de a face o alegere finală