Ovládanie prosódie a rýchlosti reči
Na tejto strane
Aktualizované 2. novembra 2026 — Zvukové modely. Niekoľko modelov v tomto kurze je zastaraných:
tts-1,tts-1-hdagpt-4o-mini-ttsprestanú fungovať 6. januára 2027 (nástupca:gpt-realtime-2.1-mini, ktorý podľa sprievodcu OpenAI TTS nie je podporovaný cez/v1/audio/speech: migrácia syntézy hlasu prechádza na 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 dokončená 3. novembra 2026: predtým vynechávala hlasové inštrukcie pregpt-4o-mini-tts(instructions), čo je najpriamejší nástroj pre intonáciu, tón a rýchlosť reči, ktoré dokumentácia popisuje a ktorétts-1neprijíma. Zdroj: Text to speech.
Ovládanie prosódie a rýchlosti reči
Prosódia – intonácia, rytmus, dôraz a pauzy – je tým, čo oddeľuje robotický syntetický hlas od prirodzeného. API pre TTS od OpenAI nepodporuje SSML, ale ponúka dva priame nástroje: parameter instructions pre model gpt-4o-mini-tts a parameter speed, doplnené o techniky formátovania textu.
Hlasové inštrukcie pre gpt-4o-mini-tts
Pri modeli gpt-4o-mini-tts opisuješ spôsob hovorenia v prirodzenom jazyku pomocou parametra instructions. Dokumentácia uvádza, čo tieto inštrukcie riadia: prízvuk, emocionálny rozsah, intonáciu, imitácie, rýchlosť reči, tón a šepkanie.
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")
Text určený na prečítanie nechaj v parametri input a štýl prednesu v parametri instructions. Nemiešaj ich, inak hrozí, že sa inštrukcia sama nahlas prečíta. Tieto inštrukcie nefungujú s modelmi tts-1 ani tts-1-hd; pri týchto modeloch ovplyvňujú výstup iba parameter speed a formátovanie textu, o ktorých sa hovorí nižšie. Keďže všetky tri modely budú vyradené 6. januára 2027, migrácia na Realtime API (Lekcia 10) sa riadi rovnakým princípom: inštrukcie týkajúce sa tónu sa presúvajú do inštrukcií relácie alebo odpovede.
Ovládanie rýchlosti reči pomocou parametra Speed
API pre TTS poskytuje parameter speed na úpravu rýchlosti hovorenia:
from openai import OpenAI
client = OpenAI()
# Normálna rýchlosť (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
)
# Pomalšie (0.75) — pre zložité inštrukcie
response_slow = client.audio.speech.create(
model="tts-1",
voice="nova",
input="Your appointment is confirmed for tomorrow at two PM.",
speed=0.75
)
# Rýchlejšie (1.25) — pre krátke upozornenia
response_fast = client.audio.speech.create(
model="tts-1",
voice="nova",
input="Your appointment is confirmed for tomorrow at two PM.",
speed=1.25
)
| Rýchlosť | Rozsah | Prípad použitia |
|---|---|---|
| Pomalá | 0.25 — 0.75 | Zložité inštrukcie, dostupnosť, starší používatelia |
| Normálna | 0.9 — 1.1 | Konverzácie, školenia, rozprávanie |
| Rýchla | 1.25 — 2.0 | Upozornenia, potvrdenia, zhrnutia |
Techniky formátovania textu
Hlavným nástrojom na ovládanie prosódie je formátovanie vstupného textu. Model TTS interpretuje interpunkciu a štruktúru, aby prispôsobil svoju rýchlosť a intonáciu.
Pauzy
# Krátka pauza: čiarka
text_comma = "First step, check your configuration."
# Stredne dlhá pauza: bodkočiarka alebo pomlčka
text_semi = "First step — check your configuration."
# Dlhá pauza: bodka alebo tri bodky
text_dots = "First step. Check your configuration."
text_ellipsis = "First step... check your configuration."
# Veľmi dlhá pauza: samostatný odsek
text_para = "First step.\n\nCheck your configuration."
Dôraz a intonácia
# Otázka (stúpavá intonácia)
text_question = "Would you like to confirm this reservation?"
# Vykričník (prirodzený dôraz)
text_exclaim = "Congratulations! Your registration is confirmed!"
# Dôraz pomocou veľkých písmen
text_caps = "It is VERY important not to skip this step."
# Zoznam s rytmom (model prirodzene označí každú položku)
text_list = "You will need: one, your username. Two, your password. Three, your confirmation code."
Prispôsobenie textu pre hlasový kontext
Text písaný na čítanie a text písaný na hovorenie sa veľmi líšia. Pre hlasového agenta systematicky preformátuj obsah:
def format_for_speech(text: str) -> str:
"""Prispôsobí písaný text pre prirodzenú hlasovú reprodukciu."""
import re
# Hláskovanie bežných skratiek
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)
# Zápis malých čísel slovami
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)
# Zápis času v hovorenom formáte
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."
Adaptívna rýchlosť na základe obsahu
Inteligentný hlasový agent prispôsobuje rýchlosť reči typu obsahu:
def adaptive_speed(content_type: str, user_preference: float = 1.0) -> float:
"""Vypočíta optimálnu rýchlosť na základe typu obsahu."""
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)
# Úprava podľa preferencií používateľa (0.5 až 1.5)
adjusted = base * user_preference
return max(0.25, min(4.0, adjusted)) # Obmedzenie na limity API
# Použitie
speed = adaptive_speed("phone_number", user_preference=0.9)
# → 0.63 (pomalé pre diktovanie čísla)
Postprodukcia zvuku
Pre ešte jemnejšie ovládanie spracuj zvuk po vygenerovaní:
from pydub import AudioSegment
def post_process_speech(audio_bytes: bytes, adjustments: dict) -> bytes:
"""Postprodukcia zvuku pre jemné úpravy."""
import io
audio = AudioSegment.from_mp3(io.BytesIO(audio_bytes))
# Úprava hlasitosti
if "volume_db" in adjustments:
audio = audio + adjustments["volume_db"]
# Pridanie postupného zosilnenia/zoslabenia (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"])
# Pridanie ticha na začiatok (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()
Kľúčové poznatky
- Pri modeli
gpt-4o-mini-ttsparameterinstructionsopisuje, ako hovoriť (tón, intonácia, rýchlosť, prízvuk); modelytts-1atts-1-hdtento parameter neprijímajú - Parameter
speed(0.25 až 4.0) ovláda celkovú rýchlosť reči - Interpunkcia je hlavným nástrojom pre pauzy: čiarka (krátka), bodka (dlhá), tri bodky (dramatická)
- Prispôsob text pre hlasový kontext: hláskuj skratky, čísla zapisuj slovami, preformuluj časy
- Meniť rýchlosť podľa obsahu: pomaly pre čísla a adresy, rýchlo pre potvrdenia
- Postprodukcia zvuku (hlasitosť, postupné zosilnenie/zoslabenie, ticho) upravuje finálny výstup