Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Ovládanie prosódie a rýchlosti reči

Lekcia 13 z 18 Aktualizované 3. novembra 2026 Vývojár
Na tejto strane
  1. Ovládanie prosódie a rýchlosti reči
  2. Hlasové inštrukcie pre gpt-4o-mini-tts
  3. Ovládanie rýchlosti reči pomocou parametra Speed
  4. Techniky formátovania textu
  5. Prispôsobenie textu pre hlasový kontext
  6. Adaptívna rýchlosť na základe obsahu
  7. Postprodukcia zvuku
  8. Kľúčové poznatky

Aktualizované 2. novembra 2026 — Zvukové modely. Niekoľko modelov v tomto kurze je zastaraných: tts-1, tts-1-hd a gpt-4o-mini-tts prestanú 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-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 dokončená 3. novembra 2026: predtým vynechávala hlasové inštrukcie pre gpt-4o-mini-tts (instructions), čo je najpriamejší nástroj pre intonáciu, tón a rýchlosť reči, ktoré dokumentácia popisuje a ktoré tts-1 neprijíma. 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-tts parameter instructions opisuje, ako hovoriť (tón, intonácia, rýchlosť, prízvuk); modely tts-1 a tts-1-hd tento 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