Tillgängliga röster och anpassning
På denna sida
Uppdatering 2 november 2026 — Ljudmodeller. Flera modeller i denna kurs är avvecklade:
tts-1,tts-1-hdochgpt-4o-mini-ttsstängs ner den 6 januari 2027 (efträdare:gpt-realtime-2.1-mini, vilket OpenAI:s TTS-guide anger inte stöds av/v1/audio/speech: migrering av TTS kräver Realtime API);gpt-realtime,gpt-4o-realtimeoch äldre ljudmodeller den 20 januari 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribeoch/v1/audio/translationsden 26 februari 2027 (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). För full-duplex-röst har GPT-Live 1 funnits tillgängligt i API:t sedan den 10 september 2026. Lektionen korrigerad 3 november 2026: de “sex huvudrösterna” och deras personligheter stämde inte längre med dokumentationen, som listar 13 röster förgpt-4o-mini-tts, 9 förtts-1ochtts-1-hd, samt 10 för Realtime API;gpt-4o-mini-ttsaccepterar stilinstruktioner (instructions); rösten i en Realtime-session är låst tills det första ljudsvaret genereras. Källor: Text to speech · Realtime conversations.
Tillgängliga röster och anpassning
Valet av röst är avgörande för användarupplevelsen hos din röstagent. En röst som passar sammanhanget – professionell för kundtjänst, varm för en personlig assistent – förändrar hur användaren uppfattar agenten. TTS-API:t erbjuder flera distinkta röster, var och en med sin egen karaktär och sina styrkor.
Standardröster
OpenAI:s dokumentation listar 13 inbyggda röster, där tillgängligheten varierar beroende på modell:
| Röst | gpt-4o-mini-tts | tts-1, tts-1-hd | Realtime API |
|---|---|---|---|
alloy, ash, coral, echo, sage, shimmer | Ja | Ja | Ja |
fable, nova, onyx | Ja | Ja | Nej |
ballad, verse | Ja | Nej | Ja |
marin, cedar | Ja, rekommenderas | Nej | Ja, rekommenderas |
OpenAI rekommenderar marin eller cedar för högsta kvalitet och noterar att rösterna är optimerade för engelska. Lita inte bara på beskrivningar; lyssna på dem på OpenAI.fm, OpenAI:s demosida, med dina egna fraser: ett timbre som låter fantastiskt på engelska kan bli en besvikelse när det gäller ett gatunamn eller ett nummer.
Röstvalet kan vara dynamiskt beroende på innehållstyp. Tabellen nedan är ett exempel som du fyller i efter att ha lyssnat, med röster som tts-1 också accepterar:
def select_voice(context: str, tone: str = "professional") -> str:
"""Väljer optimal röst baserat på sammanhang."""
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")
# Exempel
voice = select_voice("customer_service", "warm") # → shimmer
voice = select_voice("education", "professional") # → echo
voice = select_voice("narration", "authoritative") # → onyx
Röster i Realtime API
TTS och Realtime API delar en gemensam röstfamilj, men varje har sin egen uppsättning: Realtime API lägger till marin och cedar (de två rekommenderade) och accepterar inte vissa TTS-röster som nova eller onyx. Du definierar rösten i session.update:
await ws.send(json.dumps({
"type": "session.update",
"session": {
"type": "realtime",
"output_modalities": ["audio"],
"audio": {"output": {"voice": "marin"}}
}
}))
Välj röst vid sessionsskapande eller i ett response.create: när modellen väl har producerat ljud kan du inte ändra den för den sessionen. För att byta röst måste du öppna en ny session.
Påverka stil genom text
Med gpt-4o-mini-tts styr du stilen först och främst genom instruktioner på naturligt språk (instructions): accent, känsla, intonation, hastighet, ton, viskning (Lektion 13). tts-1 och tts-1-hd accepterar inte dessa; då återstår endast interpunktion och textformatering:
# Neutral ton
text_neutral = "Your order has shipped. It will arrive tomorrow."
# Entusiastisk ton (utropstecken)
text_excited = "Great news! Your order has shipped! It arrives tomorrow!"
# Lugn ton (långa meningar, kommatecken)
text_calm = "Your order, which was carefully prepared, has just shipped, and it should arrive sometime tomorrow."
# Explicit paus (tankstreck eller ellips)
text_dramatic = "The result is... extraordinary."
# Betoning via partiell versalisering
text_emphasis = "This is EXACTLY what you need."
Använda SSML-liknande effekter via text
Dokumentationen inkluderar inte SSML, men du kan simulera vissa effekter:
def format_for_tts(text: str, pauses: dict = None) -> str:
"""Formaterar text för att optimera TTS-rendering."""
# Lägg till pauser via ellipser
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."
Viktiga punkter
- 13 röster för
gpt-4o-mini-tts, 9 förtts-1ochtts-1-hd, 10 för Realtime API;marinochcedarrekommenderas gpt-4o-mini-ttsaccepterar stilinstruktioner (instructions); äldre modeller svarar endast på interpunktion- Röstvalet beror på sammanhanget: kundtjänst, utbildning, berättande, aviseringar
- Du kan inte ändra röst mitt i en session i Realtime API
- Interpunktion påverkar prosodin direkt: utropstecken, ellipser och tankstreck skapar effekter
- Testa alltid röster på ditt faktiska innehåll innan du gör ett slutgiltigt val