Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Dostupné hlasy a prispôsobenie

Lekcia 11 z 18 Aktualizované 3. novembra 2026 Vývojár
Na tejto strane
  1. Dostupné hlasy a prispôsobenie
  2. Štandardné hlasy
  3. Hlasy v Realtime API
  4. Ovplyvňovanie štýlu prostredníctvom textu
  5. Kľúčové poznatky

Aktualizácia z 2. novembra 2026 — Zvukové modely. Niektoré modely v tomto kurze sú zastarané: tts-1, tts-1-hd a gpt-4o-mini-tts budú vypnuté 6. januára 2027 (nástupca: gpt-realtime-2.1-mini, ktorý podľa sprievodcu OpenAI TTS nie je podporovaný rozhraním /v1/audio/speech: migrácia TTS si vyžaduje Realtime API); gpt-realtime, gpt-4o-realtime a staršie zvukové modely 20. januára 2027 (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); whisper-1, gpt-4o-transcribe a /v1/audio/translations 26. februára 2027 (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). Pre plno duplexný hlas je GPT-Live 1 dostupné v API od 10. septembra 2026. Lekcia opravená 3. novembra 2026: „šesť hlavných hlasov“ a ich osobnosti už nezodpovedali dokumentácii, ktorá uvádza 13 hlasov pre gpt-4o-mini-tts, 9 pre tts-1 a tts-1-hd a 10 pre Realtime API; gpt-4o-mini-tts prijíma pokyny pre štýl (instructions); hlas v relácii Realtime je fixný až do prvej zvukovej odpovede. Zdroje: Text to speech · Realtime conversations.

Dostupné hlasy a prispôsobenie

Výber hlasu je kľúčový pre používateľskú skúsenosť tvojho hlasového agenta. Hlas, ktorý sedí na kontext – profesionálny pre zákaznícky servis, vrelý pre osobného asistenta – mení spôsob, akým používatelia vnímajú agenta. Rozhranie TTS API ponúka niekoľko odlišných hlasov, každý s vlastným charakterom a silnými stránkami.

Štandardné hlasy

Dokumentácia OpenAI uvádza 13 vstavaných hlasov, pričom ich dostupnosť sa líši podľa modelu:

Hlasgpt-4o-mini-ttstts-1, tts-1-hdRealtime API
alloy, ash, coral, echo, sage, shimmerÁnoÁnoÁno
fable, nova, onyxÁnoÁnoNie
ballad, verseÁnoNieÁno
marin, cedarÁno, odporúčanéNieÁno, odporúčané

OpenAI odporúča marin alebo cedar pre najvyššiu kvalitu a uvádza, že hlasy sú optimalizované pre angličtinu. Namiesto spoliehania sa na popisy si ich vypočuj vo francúzštine na OpenAI.fm, demonštračnej stránke OpenAI, pomocou vlastných fráz: zafarbenie, ktoré znie skvele v angličtine, môže sklamať pri názve ulice alebo čísle.

Výber hlasu môže byť dynamický v závislosti od typu obsahu. Nasledujúca tabuľka je príkladom, ktorý vyplníš po vypočutí, pričom používa hlasy, ktoré prijíma aj tts-1:

def select_voice(context: str, tone: str = "professional") -> str:
    """Vyberie optimálny hlas na základe kontextu."""
    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")

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

Hlasy v Realtime API

TTS a Realtime API zdieľajú spoločnú rodinu hlasov, ale každé má vlastnú množinu: Realtime API pridáva marin a cedar (dva odporúčané) a neprijíma určité hlasy TTS ako nova alebo onyx. Hlas definuješ v session.update:

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

Hlas vyberieš pri vytvorení relácie alebo v response.create: akonáhle model vygeneruje zvuk, už ho pre danú reláciu nemôžeš zmeniť. Ak chceš prepínať hlasy, musíš otvoriť novú reláciu.

Ovplyvňovanie štýlu prostredníctvom textu

Pri gpt-4o-mini-tts kontroluješ štýl primárne pomocou inštrukcií v prirodzenom jazyku (instructions): prízvuk, emócia, intonácia, rýchlosť, tón, šepot (Lekcia 13). tts-1 a tts-1-hd tieto inštrukcie neprijímajú; zostáva ti len interpunkcia a formátovanie textu:

# Neutrálny tón
text_neutral = "Your order has shipped. It will arrive tomorrow."

# Nadšený tón (výkričníky)
text_excited = "Great news! Your order has shipped! It arrives tomorrow!"

# Pokojný tón (dlhé vety, čiarky)
text_calm = "Your order, which was carefully prepared, has just shipped, and it should arrive sometime tomorrow."

# Explicitná pauza (pomlčka alebo tri bodky)
text_dramatic = "The result is... extraordinary."

# Dôraz čiastočným použitím veľkých písmen
text_emphasis = "This is EXACTLY what you need."

Používanie efektov podobných SSML prostredníctvom textu

Dokumentácia neobsahuje SSML, ale niektoré efekty môžeš simulovať:

def format_for_tts(text: str, pauses: dict = None) -> str:
    """Formátuje text na optimalizáciu vykresľovania TTS."""
    # Pridanie pauz pomocou troch bodiek
    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."

Kľúčové poznatky

  • 13 hlasov pre gpt-4o-mini-tts, 9 pre tts-1 a tts-1-hd, 10 pre Realtime API; marin a cedar sú odporúčané
  • gpt-4o-mini-tts prijíma pokyny pre štýl (instructions); staršie modely reagujú len na interpunkciu
  • Výber hlasu závisí od kontextu: zákaznícky servis, vzdelávanie, rozprávanie, upozornenia
  • V Realtime API nemôžeš zmeniť hlas uprostred relácie
  • Interpunkcia priamo ovplyvňuje prozódiu: výkričníky, tri bodky a pomlčky vytvárajú efekty
  • Pred konečným výberom vždy otestuj hlasy na svojom skutočnom obsahu