Controlul prozodiei și al vitezei de vorbire
Pe această pagină
Actualizat la 2 noiembrie 2026 — Modele audio. Mai multe modele din acest curs sunt depreciate:
tts-1,tts-1-hdșigpt-4o-mini-ttsvor 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-realtimeși modelele audio legacy la 20 ianuarie 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribeși/v1/audio/translationsla 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 pentrugpt-4o-mini-tts(instructions), pârghia cea mai directă pentru intonație, ton și viteză de vorbire, descrisă în documentație și pe caretts-1nu 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,instructionsdescrie modul de vorbire (ton, intonație, viteză, accent);tts-1șitts-1-hdnu 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