Dostupné hlasy a prispôsobenie
Na tejto strane
Aktualizácia z 2. novembra 2026 — Zvukové modely. Niektoré modely v tomto kurze sú zastarané:
tts-1,tts-1-hdagpt-4o-mini-ttsbudú 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-realtimea staršie zvukové modely 20. januára 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribea/v1/audio/translations26. 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 pregpt-4o-mini-tts, 9 pretts-1atts-1-hda 10 pre Realtime API;gpt-4o-mini-ttsprijíma 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:
| Hlas | gpt-4o-mini-tts | tts-1, tts-1-hd | Realtime API |
|---|---|---|---|
alloy, ash, coral, echo, sage, shimmer | Áno | Áno | Áno |
fable, nova, onyx | Áno | Áno | Nie |
ballad, verse | Áno | Nie | Áno |
marin, cedar | Áno, odporúčané | Nie | Áno, 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 pretts-1atts-1-hd, 10 pre Realtime API;marinacedarsú odporúčané gpt-4o-mini-ttsprijíma 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