Razpoložljivi glasovi in prilagajanje
Na tej strani
Posodobitev 2. novembra 2026 — Zvočni modeli. Več modelov v tem tečaju je zastarelih:
tts-1,tts-1-hdingpt-4o-mini-ttsbodo 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-realtimein stari zvočni modeli 20. januarja 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribein/v1/audio/translations26. 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 zagpt-4o-mini-tts, 9 zatts-1intts-1-hdter 10 za Realtime API;gpt-4o-mini-ttssprejema 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:
| Glas | gpt-4o-mini-tts | tts-1, tts-1-hd | Realtime API |
|---|---|---|---|
alloy, ash, coral, echo, sage, shimmer | Da | Da | Da |
fable, nova, onyx | Da | Da | Ne |
ballad, verse | Da | Ne | Da |
marin, cedar | Da, priporočeno | Ne | Da, 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 zatts-1intts-1-hd, 10 za Realtime API;marinincedarsta priporočena gpt-4o-mini-ttssprejema 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