Salt la conținutul principal
Română— Alege o limbă
Meniu

Controlul prozodiei și al vitezei de vorbire

Lecția 13 din 18 Actualizată 3 noiembrie 2026 Dezvoltator
Pe această pagină
  1. Controlul prozodiei și al vitezei de vorbire
  2. Instrucțiuni vocale pentru gpt-4o-mini-tts
  3. Controlul vitezei de vorbire cu parametrul Speed
  4. Tehnici de formatare a textului
  5. Adaptarea textului pentru context vocal
  6. Viteză adaptivă în funcție de conținut
  7. Post-procesare audio
  8. Puncte cheie

Actualizat la 2 noiembrie 2026 — Modele audio. Mai multe modele din acest curs sunt depreciate: tts-1, tts-1-hd și gpt-4o-mini-tts vor înceta să funcționeze la 6 ianuarie 2027 (succesor: gpt-realtime-2.1-mini, pe care ghidul OpenAI TTS precizează că nu este suportat de /v1/audio/speech: migrarea sintezei vocale se face către Realtime API); gpt-realtime, gpt-4o-realtime și modelele audio legacy la 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 la 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 finalizată la 3 noiembrie 2026: anterior omitea instrucțiunile vocale pentru gpt-4o-mini-tts (instructions), pârghia cea mai directă pentru intonație, ton și viteză de vorbire, descrisă în documentație și pe care tts-1 nu o acceptă. Sursă: Text to speech.

Controlul prozodiei și al vitezei de vorbire

Prozodia — intonația, ritmul, accentuarea și pauzele — este ceea ce separă o voce sintetică robotică de una naturală. API-ul TTS de la OpenAI nu suportă SSML, dar oferă două pârghii directe: parametrul instructions pentru gpt-4o-mini-tts și parametrul speed, completate de tehnici de formatare a textului.

Instrucțiuni vocale pentru gpt-4o-mini-tts

Cu gpt-4o-mini-tts, descrieți modul de vorbire în limbaj natural folosind parametrul instructions. Documentația listează ce controlează aceste instrucțiuni: accentul, gama emoțională, intonația, imitațiile, viteza de vorbire, tonul și șoapta.

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")

Păstrați textul de rostit în input și stilul de livrare în instructions. Nu le amestecați, deoarece riscați ca instrucțiunea însăși să fie rostită cu voce tare. Aceste instrucțiuni nu funcționează cu tts-1 sau tts-1-hd; cu aceste modele, doar speed și formatarea textului, discutate mai jos, afectează rezultatul. Deoarece toate cele trei modele vor fi retrase la 6 ianuarie 2027, migrarea către Realtime API (Lecția 10) urmează același principiu: instrucțiunile de ton se mută în instrucțiunile de sesiune sau de răspuns.

Controlul vitezei de vorbire cu parametrul Speed

API-ul TTS oferă un parametru speed pentru a ajusta ritmul de vorbire:

from openai import OpenAI

client = OpenAI()

# Viteză normală (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
)

# Mai lent (0.75) — pentru instrucțiuni complexe
response_slow = client.audio.speech.create(
    model="tts-1",
    voice="nova",
    input="Your appointment is confirmed for tomorrow at two PM.",
    speed=0.75
)

# Mai rapid (1.25) — pentru notificări scurte
response_fast = client.audio.speech.create(
    model="tts-1",
    voice="nova",
    input="Your appointment is confirmed for tomorrow at two PM.",
    speed=1.25
)
Viteză Interval Caz de utilizare
Lent 0.25 — 0.75 Instrucțiuni complexe, accesibilitate, utilizatori vârstnici
Normal 0.9 — 1.1 Conversații, instruire, narare
Rapid 1.25 — 2.0 Notificări, confirmări, rezumate

Tehnici de formatare a textului

Pârghia principală pentru controlul prozodiei este formatarea textului de intrare. Modelul TTS interpretează punctuația și structura pentru a-și adapta ritmul și intonația.

Pauze

# Pauză scurtă: virgulă
text_comma = "First step, check your configuration."

# Pauză medie: punct și virgulă sau linie de pauză
text_semi = "First step — check your configuration."

# Pauză lungă: punct sau puncte de suspensie
text_dots = "First step. Check your configuration."
text_ellipsis = "First step... check your configuration."

# Pauză foarte lungă: paragraf separat
text_para = "First step.\n\nCheck your configuration."

Accentuare și intonație

# Întrebare (intonație ascendentă)
text_question = "Would you like to confirm this reservation?"

# Exclamație (accentuare naturală)
text_exclaim = "Congratulations! Your registration is confirmed!"

# Accentuare prin majuscule
text_caps = "It is VERY important not to skip this step."

# Listă cu ritm (modelul marchează natural fiecare element)
text_list = "You will need: one, your username. Two, your password. Three, your confirmation code."

Adaptarea textului pentru context vocal

Textul scris pentru citire și textul scris pentru vorbire sunt foarte diferite. Pentru un agent vocal, reformatați sistematic conținutul:

def format_for_speech(text: str) -> str:
    """Adaptează textul scris pentru redarea vocală naturală."""
    import re

    # Epelează acronimele comune
    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)

    # Scrie numerele mici ca cuvinte
    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)

    # Scrie orele în format vorbit
    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."

Viteză adaptivă în funcție de conținut

Un agent vocal inteligent își adaptează viteza de vorbire la tipul de conținut:

def adaptive_speed(content_type: str, user_preference: float = 1.0) -> float:
    """Calculează viteza optimă în funcție de tipul de conținut."""
    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)
    # Ajustare cu preferința utilizatorului (0.5 până la 1.5)
    adjusted = base * user_preference
    return max(0.25, min(4.0, adjusted))  # Limitare la limitele API

# Utilizare
speed = adaptive_speed("phone_number", user_preference=0.9)
# → 0.63 (lent pentru dictarea unui număr)

Post-procesare audio

Pentru un control și mai fin, procesați audio-ul după generare:

from pydub import AudioSegment

def post_process_speech(audio_bytes: bytes, adjustments: dict) -> bytes:
    """Post-procesare audio pentru ajustări fine."""
    import io
    audio = AudioSegment.from_mp3(io.BytesIO(audio_bytes))

    # Ajustare volum
    if "volume_db" in adjustments:
        audio = audio + adjustments["volume_db"]

    # Adăugare 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"])

    # Adăugare silențiu la început (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()

Puncte cheie

  • Cu gpt-4o-mini-tts, instructions descrie modul de vorbire (ton, intonație, viteză, accent); tts-1 și tts-1-hd nu acceptă acest parametru
  • Parametrul speed (0.25 până la 4.0) controlează viteza globală de vorbire
  • Punctuația este pârghia principală pentru pauze: virgulă (scurtă), punct (lungă), puncte de suspensie (dramatic)
  • Adaptați textul pentru context vocal: epelați acronimele, scrieți numerele ca cuvinte, reformulați orele
  • Variați viteza în funcție de conținut: lent pentru numere și adrese, rapid pentru confirmări
  • Post-procesarea audio (volum, fade-uri, silențiu) rafinează rezultatul final