Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Razpoložljivi glasovi in prilagajanje

Lekcija 11 od 18 Posodobljeno 3. november 2026 Razvijalec
Na tej strani
  1. Razpoložljivi glasovi in prilagajanje
  2. Standardni glasovi
  3. Glasovi v Realtime API-ju
  4. Vplivanje na slog prek besedila
  5. Ključne ugotovitve

Posodobitev 2. novembra 2026 — Zvočni modeli. Več modelov v tem tečaju je zastarelih: tts-1, tts-1-hd in gpt-4o-mini-tts bodo ukinjeni 6. januarja 2027 (naslednik: gpt-realtime-2.1-mini, ki ga vodnik za OpenAI TTS navaja kot nepodprt s strani /v1/audio/speech: selitev na TTS zahteva Realtime API); gpt-realtime, gpt-4o-realtime in stari zvočni modeli 20. januarja 2027 (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); whisper-1, gpt-4o-transcribe in /v1/audio/translations 26. februarja 2027 (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). Za polnodupleksni glas je GPT-Live 1 na voljo v API-ju od 10. septembra 2026. Lekcija popravljena 3. novembra 2026: „šest glavnih glasov” in njihove osebnosti se ne ujemajo več z dokumentacijo, ki navaja 13 glasov za gpt-4o-mini-tts, 9 za tts-1 in tts-1-hd ter 10 za Realtime API; gpt-4o-mini-tts sprejema navodila za slog (instructions); glas v seji Realtime je določen do prvega zvočnega odziva. Viri: Text to speech · Realtime conversations.

Razpoložljivi glasovi in prilagajanje

Izbira glasu je ključna za uporabniško izkušnjo tvojega glasovnega agenta. Glas, ki ustreza kontekstu – profesionalen za storitve za stranke, topel za osebnega asistenta – spremeni način, kako uporabniki dojemajo agenta. API za TTS ponuja več različnih glasov, vsak s svojim značajem in prednostmi.

Standardni glasovi

Dokumentacija OpenAI navaja 13 vgrajenih glasov, njihova razpoložljivost pa se razlikuje glede na model:

Glasgpt-4o-mini-ttstts-1, tts-1-hdRealtime API
alloy, ash, coral, echo, sage, shimmerDaDaDa
fable, nova, onyxDaDaNe
ballad, verseDaNeDa
marin, cedarDa, priporočenoNeDa, priporočeno

OpenAI priporoča marin ali cedar za najvišjo kakovost in ugotavlja, da so glasovi optimizirani za angleščino. Namesto da bi se zanašal na opise, jih poslušaj v francoščini na OpenAI.fm, demonstracijskem mestu OpenAI, z uporabo lastnih fraz: barva glasu, ki odlično zveni v angleščini, bi te lahko razočarala pri imenu ulice ali številki.

Izbira glasu je lahko dinamična glede na vrsto vsebine. Spodnja tabela je primer, ki ga izpolniš po poslušanju, z uporabo glasov, ki jih sprejema tudi tts-1:

def select_voice(context: str, tone: str = "professional") -> str:
    """Selects the optimal voice based on context."""
    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")

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

Glasovi v Realtime API-ju

TTS in Realtime API si delita skupno družino glasov, vendar ima vsak svoj nabor: Realtime API dodaja marin in cedar (oba priporočena) in ne sprejema določenih glasov TTS, kot sta nova ali onyx. Glas določiš v session.update:

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

Glas izberi ob ustvarjanju seje ali v response.create: ko model ustvari zvok, ga za to sejo ne moreš več spremeniti. Če želiš zamenjati glas, odpri novo sejo.

Vplivanje na slog prek besedila

Pri gpt-4o-mini-tts slog najprej nadziraš z naravnimi jezikovnimi navodili (instructions): naglas, čustvo, intonacija, hitrost, ton, šepetanje (lekcija 13). tts-1 in tts-1-hd teh ne sprejemata; ostanejo ti ločila in oblikovanje besedila:

# Neutral tone
text_neutral = "Your order has shipped. It will arrive tomorrow."

# Enthusiastic tone (exclamations)
text_excited = "Great news! Your order has shipped! It arrives tomorrow!"

# Calm tone (long sentences, commas)
text_calm = "Your order, which was carefully prepared, has just shipped, and it should arrive sometime tomorrow."

# Explicit pause (em dash or ellipsis)
text_dramatic = "The result is... extraordinary."

# Emphasis via partial capitalization
text_emphasis = "This is EXACTLY what you need."

Uporaba učinkov, podobnih SSML, prek besedila

Dokumentacija ne vključuje SSML, vendar lahko simuliraš nekatere učinke:

def format_for_tts(text: str, pauses: dict = None) -> str:
    """Formats text to optimize TTS rendering."""
    # Add pauses via ellipses
    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."

Ključne ugotovitve

  • 13 glasov za gpt-4o-mini-tts, 9 za tts-1 in tts-1-hd, 10 za Realtime API; marin in cedar sta priporočena
  • gpt-4o-mini-tts sprejema navodila za slog (instructions); starejši modeli se odzivajo le na ločila
  • Izbira glasu je odvisna od konteksta: storitve za stranke, izobraževanje, pripovedovanje, obvestila
  • V Realtime API-ju glasu med sejo ne moreš spremeniti
  • Ločila neposredno vplivajo na prozodijo: klicaji, tripičja in vezaji ustvarjajo učinke
  • Pred končno izbiro vedno preizkusi glasove na svoji dejanski vsebini