Voci disponibile și personalizare
Pe această pagină
Actualizare 2 noiembrie 2026 — Modele audio. Mai multe modele din acest curs sunt depreciate:
tts-1,tts-1-hdșigpt-4o-mini-ttsvor 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-realtimeși modelele audio legacy pe 20 ianuarie 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribeși/v1/audio/translationspe 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 pentrugpt-4o-mini-tts, 9 pentrutts-1șitts-1-hd, și 10 pentru API-ul Realtime;gpt-4o-mini-ttsacceptă 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:
| Voce | gpt-4o-mini-tts | tts-1, tts-1-hd | API Realtime |
|---|---|---|---|
alloy, ash, coral, echo, sage, shimmer | Da | Da | Da |
fable, nova, onyx | Da | Da | Nu |
ballad, verse | Da | Nu | Da |
marin, cedar | Da, recomandat | Nu | Da, 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 pentrutts-1șitts-1-hd, 10 pentru API-ul Realtime;marinșicedarsunt recomandate gpt-4o-mini-ttsacceptă 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