Styra prosodi och talhastighet
På denna sida
Uppdaterat 2 november 2026 — Ljudmodeller. Flera modeller i denna kurs är avvecklade:
tts-1,tts-1-hdochgpt-4o-mini-ttsslutar fungera den 6 januari 2027 (efträdare:gpt-realtime-2.1-mini, vilket OpenAI:s TTS-guide anger inte stöds av/v1/audio/speech: migrering av röstsyntes flyttas till 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 tillgänglig i API:t sedan 10 september 2026. Lektionen slutförd 3 november 2026: den utelämnade tidigare röstinstruktioner förgpt-4o-mini-tts(instructions), den mest direkta hävstången för intonation, tonläge och talhastighet, vilket dokumentationen beskriver och somtts-1inte accepterar. Källa: Text to speech.
Styra prosodi och talhastighet
Prosodi – intonation, rytm, betoning och pauser – är det som skiljer en robotaktig syntetisk röst från en naturlig. OpenAI:s TTS-API stöder inte SSML, men erbjuder två direkta hävstänger: parametern instructions för gpt-4o-mini-tts och parametern speed, kompletterat med tekniker för textformatering.
Röstinstruktioner för gpt-4o-mini-tts
Med gpt-4o-mini-tts beskriver du hur talet ska levereras på naturligt språk med hjälp av parametern instructions. Dokumentationen listar vad dessa instruktioner styr: accent, känslomässigt omfång, intonation, imitationer, talhastighet, tonläge och viskningar.
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")
Behåll texten som ska talas i input och leveransstilen i instructions. Blanda inte ihop dem, annars riskerar du att höra själva instruktionen uppläst. Dessa instruktioner fungerar inte med tts-1 eller tts-1-hd; med dessa modeller påverkar endast speed och textformatering, som diskuteras nedan, utmatningen. Eftersom alla tre modeller fasas ut den 6 januari 2027 följer migreringen till Realtime API (lektion 10) samma princip: toninstruktioner flyttas till sessions- eller svarsinstruktioner.
Styra talhastighet med hastighetsparametern
TTS-API:t tillhandahåller en parameter speed för att justera talhastigheten:
from openai import OpenAI
client = OpenAI()
# Normal hastighet (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
)
# Långsammare (0.75) — för komplexa instruktioner
response_slow = client.audio.speech.create(
model="tts-1",
voice="nova",
input="Your appointment is confirmed for tomorrow at two PM.",
speed=0.75
)
# Snabbare (1.25) — för korta notifieringar
response_fast = client.audio.speech.create(
model="tts-1",
voice="nova",
input="Your appointment is confirmed for tomorrow at two PM.",
speed=1.25
)
| Hastighet | Intervall | Användningsområde |
|---|---|---|
| Långsam | 0.25 — 0.75 | Komplexa instruktioner, tillgänglighet, äldre användare |
| Normal | 0.9 — 1.1 | Konversationer, utbildning, berättande |
| Snabb | 1.25 — 2.0 | Notifieringar, bekräftelser, sammanfattningar |
Tekniker för textformatering
Den främsta hävstången för att styra prosodin är att formatera inmatningstexten. TTS-modellen tolkar interpunktion och struktur för att anpassa sin hastighet och intonation.
Pauser
# Kort paus: kommatecken
text_comma = "First step, check your configuration."
# Medellång paus: semikolon eller tankstreck
text_semi = "First step — check your configuration."
# Lång paus: punkt eller ellips
text_dots = "First step. Check your configuration."
text_ellipsis = "First step... check your configuration."
# Mycket lång paus: separat stycke
text_para = "First step.\n\nCheck your configuration."
Betoning och intonation
# Fråga (stigande intonation)
text_question = "Would you like to confirm this reservation?"
# Utrop (naturlig betoning)
text_exclaim = "Congratulations! Your registration is confirmed!"
# Betoning via versaler
text_caps = "It is VERY important not to skip this step."
# Lista med rytm (modellen markerar naturligt varje punkt)
text_list = "You will need: one, your username. Two, your password. Three, your confirmation code."
Anpassa text för röstkontext
Text skriven för läsning och text skriven för tal är väldigt olika. För en röstagent bör du systematiskt formatera om innehåll:
def format_for_speech(text: str) -> str:
"""Anpassar skriven text för naturlig röstuppspelning."""
import re
# Stavning av vanliga akronymer
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)
# Skriv små tal som ord
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)
# Skriv tider i talat format
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."
Adaptiv hastighet baserat på innehåll
En intelligent röstagent anpassar sin talhastighet efter innehållstyp:
def adaptive_speed(content_type: str, user_preference: float = 1.0) -> float:
"""Beräknar optimal hastighet baserat på innehållstyp."""
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)
# Justera med användarpreferens (0.5 till 1.5)
adjusted = base * user_preference
return max(0.25, min(4.0, adjusted)) # Begränsa till API-gränser
# Användning
speed = adaptive_speed("phone_number", user_preference=0.9)
# → 0.63 (långsamt för att diktera ett nummer)
Efterbehandling av ljud
För ännu finare kontroll kan du bearbeta ljudet efter generering:
from pydub import AudioSegment
def post_process_speech(audio_bytes: bytes, adjustments: dict) -> bytes:
"""Efterbehandling av ljud för fina justeringar."""
import io
audio = AudioSegment.from_mp3(io.BytesIO(audio_bytes))
# Justera volym
if "volume_db" in adjustments:
audio = audio + adjustments["volume_db"]
# Lägg till toning in/ut
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"])
# Lägg till tystnad i början (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()
Viktiga punkter
- Med
gpt-4o-mini-ttsbeskriverinstructionshur talet ska levereras (ton, intonation, hastighet, accent);tts-1ochtts-1-hdaccepterar inte denna parameter - Parametern
speed(0.25 till 4.0) styr den övergripande talhastigheten - Interpunktion är den främsta hävstången för pauser: kommatecken (kort), punkt (lång), ellips (dramatisk)
- Anpassa text för röstkontext: stava ut akronymer, skriv tal som ord, formulera om tider
- Variera hastigheten efter innehåll: långsamt för nummer och adresser, snabbt för bekräftelser
- Efterbehandling av ljud (volym, toning, tystnad) förfinar slutresultatet