Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Nadzor nad prozodijo in hitrostjo govora

Lekcija 13 od 18 Posodobljeno 3. november 2026 Razvijalec
Na tej strani
  1. Nadzor nad prozodijo in hitrostjo govora
  2. Glasovna navodila za gpt-4o-mini-tts
  3. Nadzor hitrosti govora s parametrom Speed
  4. Tehnike oblikovanja besedila
  5. Prilagoditev besedila za glasovni kontekst
  6. Prilagodljiva hitrost glede na vsebino
  7. Obdelava zvoka po generiranju
  8. Ključne ugotovitve

Posodobljeno 2. novembra 2026 — Zvočni modeli. Več modelov v tem tečaju je zastarelih: tts-1, tts-1-hd in gpt-4o-mini-tts bodo prenehali delovati 6. januarja 2027 (naslednik: gpt-realtime-2.1-mini, ki ga vodnik za OpenAI TTS navaja kot nepodprt s strani /v1/audio/speech: migracija sinteze glasu prehaja na 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 zaključena 3. novembra 2026: prej je izpuščala navodila za glas za gpt-4o-mini-tts (instructions), ki so najbolj neposreden vzvod za intonacijo, ton in hitrost govora, kar dokumentacija opisuje, medtem ko tts-1 tega ne sprejema. Vir: Text to speech.

Nadzor nad prozodijo in hitrostjo govora

Prozodija – intonacija, ritem, poudarki in premori – je tisto, kar loči robotski sintetični glas od naravnega. OpenAI-jev TTS API ne podpira SSML, vendar ponuja dva neposredna vzvoda: parameter instructions za gpt-4o-mini-tts in parameter speed, ki ju dopolnjujejo tehnike oblikovanja besedila.

Glasovna navodila za gpt-4o-mini-tts

Pri modelu gpt-4o-mini-tts z parametrom instructions v naravnem jeziku opišeš, kako naj se besedilo izgovori. Dokumentacija navaja, kaj ta navodila nadzorujejo: naglas, čustveni razpon, intonacijo, posnemanje, hitrost govora, ton in šepetanje.

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")

Besedilo za izgovorjavo ohrani v parametru input, slog izvedbe pa v parametru instructions. Ne mešaj jih, saj sicer tvegaš, da bo navodilo izgovorjeno na glas. Ta navodila ne delujejo z modeloma tts-1 ali tts-1-hd; pri teh modelih na izhod vplivata le speed in oblikovanje besedila, o katerem bomo razpravljali spodaj. Ker vsi trije modeli prenehajo delovati 6. januarja 2027, migracija na Realtime API (lekcija 10) sledi istemu principu: navodila za ton se premaknejo v navodila seje ali odgovora.

Nadzor hitrosti govora s parametrom Speed

API za TTS ponuja parameter speed za prilagajanje hitrosti govora:

from openai import OpenAI

client = OpenAI()

# Normalna hitrost (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
)

# počasneje (0.75) — za kompleksna navodila
response_slow = client.audio.speech.create(
    model="tts-1",
    voice="nova",
    input="Your appointment is confirmed for tomorrow at two PM.",
    speed=0.75
)

# Hitreje (1.25) — za kratka obvestila
response_fast = client.audio.speech.create(
    model="tts-1",
    voice="nova",
    input="Your appointment is confirmed for tomorrow at two PM.",
    speed=1.25
)
Hitrost Razpon Primer uporabe
Počasno 0.25 — 0.75 Kompleksna navodila, dostopnost, starejši uporabniki
Normalno 0.9 — 1.1 Pogovori, usposabljanje, pripovedovanje
Hitro 1.25 — 2.0 Obvestila, potrditve, povzetki

Tehnike oblikovanja besedila

Glavni vzvod za nadzor prozodije je oblikovanje vhodnega besedila. Model TTS interpretira ločila in strukturo, da prilagodi svojo hitrost in intonacijo.

Premori

# Kratek premor: vejica
text_comma = "First step, check your configuration."

# Srednji premor: podpičje ali pomišljaj
text_semi = "First step — check your configuration."

# Dolg premor: pika ali tri pike
text_dots = "First step. Check your configuration."
text_ellipsis = "First step... check your configuration."

# Zelo dolg premor: ločen odstavek
text_para = "First step.\n\nCheck your configuration."

Poudarki in intonacija

# Vprašanje (naraščajoča intonacija)
text_question = "Would you like to confirm this reservation?"

# Vzklik (naraven poudarek)
text_exclaim = "Congratulations! Your registration is confirmed!"

# Poudarek z velikimi črkami
text_caps = "It is VERY important not to skip this step."

# Seznam z ritmom (model naravno označi vsak element)
text_list = "You will need: one, your username. Two, your password. Three, your confirmation code."

Prilagoditev besedila za glasovni kontekst

Besedilo, napisano za branje, in besedilo, napisano za govor, sta zelo različni. Za glasovnega agenta sistematično preoblikuj vsebino:

def format_for_speech(text: str) -> str:
    """Prilagodi pisno besedilo za naravno glasovno predvajanje."""
    import re

    # Črkuj pogoste kratice
    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)

    # Majhna števila zapiši z besedami
    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)

    # Čase zapiši v govorni obliki
    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."

Prilagodljiva hitrost glede na vsebino

Inteligenten glasovni agent prilagodi hitrost govora vrsti vsebine:

def adaptive_speed(content_type: str, user_preference: float = 1.0) -> float:
    """Izračuna optimalno hitrost glede na vrsto vsebine."""
    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)
    # Prilagodi glede na uporabnikovo preferenco (0.5 do 1.5)
    adjusted = base * user_preference
    return max(0.25, min(4.0, adjusted))  # Omeji na meje API-ja

# Uporaba
speed = adaptive_speed("phone_number", user_preference=0.9)
# → 0.63 (počasno za narekovanje številke)

Obdelava zvoka po generiranju

Za še natančnejši nadzor obdelaj zvok po generiranju:

from pydub import AudioSegment

def post_process_speech(audio_bytes: bytes, adjustments: dict) -> bytes:
    """Obdelava zvoka po generiranju za fine prilagoditve."""
    import io
    audio = AudioSegment.from_mp3(io.BytesIO(audio_bytes))

    # Prilagodi glasnost
    if "volume_db" in adjustments:
        audio = audio + adjustments["volume_db"]

    # Dodaj pojavljanje/izginjanje (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"])

    # Dodaj tišino na začetku (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()

Ključne ugotovitve

  • Pri gpt-4o-mini-tts parameter instructions opisuje, kako govoriti (ton, intonacija, hitrost, naglas); tts-1 in tts-1-hd tega parametra ne sprejemata
  • Parameter speed (od 0.25 do 4.0) nadzoruje celotno hitrost govora
  • Ločila so glavni vzvod za premore: vejica (kratek), pika (dolg), tri pike (dramatično)
  • Prilagodi besedilo za glasovni kontekst: črkuj kratice, števila zapiši z besedami, preoblikuj čase
  • Spreminjaj hitrost glede na vsebino: počasneje za številke in naslove, hitreje za potrditve
  • Obdelava zvoka po generiranju (glasnost, pojavljanje/izginjanje, tišina) izpopolni končni izhod