Contrôle de la prosodie et du débit

Mise à jour du 2 novembre 2026 — modèles audio. Plusieurs modèles de ce cours sont dépréciés : tts-1, tts-1-hd et gpt-4o-mini-tts s’arrêtent le 6 janvier 2027 (remplaçant indiqué : gpt-realtime-2.1-mini, que le guide TTS d’OpenAI déclare non pris en charge par /v1/audio/speech : la migration de la synthèse vocale passe par l’API Realtime) ; gpt-realtime, gpt-4o-realtime et les anciens modèles audio le 20 janvier 2027 (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5) ; whisper-1, gpt-4o-transcribe et /v1/audio/translations le 26 février 2027 (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). Pour la voix full-duplex, GPT-Live 1 est disponible dans l’API depuis le 10 septembre 2026. Leçon complétée le 3 novembre 2026 : elle ignorait les consignes de voix de gpt-4o-mini-tts (instructions), le levier le plus direct sur l’intonation, le ton et le débit, que la documentation décrit et que tts-1 n’accepte pas. Source : Text to speech.

La prosodie — l’intonation, le rythme, l’accentuation et les pauses — est ce qui distingue une voix synthétique robotique d’une voix naturelle. L’API TTS d’OpenAI ne prévoit pas de SSML, mais elle offre deux leviers directs, les consignes de gpt-4o-mini-tts et le paramètre speed, auxquels s’ajoutent des techniques de formatage du texte.

Les consignes de voix de `gpt-4o-mini-tts`

Avec gpt-4o-mini-tts, vous décrivez la façon de parler en langage naturel, dans instructions. La documentation cite ce que ces consignes contrôlent : l’accent, la palette émotionnelle, l’intonation, les imitations, le débit, le ton et le chuchotement.

from openai import OpenAI

client = OpenAI()

with client.audio.speech.with_streaming_response.create(
    model="gpt-4o-mini-tts",
    voice="marin",
    input="Votre rendez-vous est confirmé pour demain à quatorze heures.",
    instructions=(
        "Voix calme et rassurante d'un accueil médical. Débit posé, "
        "courte pause avant l'heure, intonation descendante en fin de phrase."
    ),
) as response:
    response.stream_to_file("rendez-vous.mp3")

Le texte à dire reste dans input, la manière de le dire dans instructions : ne mélangez pas les deux, sous peine d’entendre la consigne prononcée. Ces consignes ne fonctionnent ni avec tts-1, ni avec tts-1-hd ; avec ces modèles, seuls speed et le formatage du texte, présentés ci-dessous, agissent sur le rendu. Et comme les trois modèles s’arrêtent le 6 janvier 2027, la migration vers l’API Realtime (leçon 10) reprend ce principe : les consignes de ton passent dans les instructions de la session ou de la réponse.

Contrôle du débit par le paramètre speed

L’API TTS propose un paramètre speed qui ajuste la vitesse de parole :

from openai import OpenAI

client = OpenAI()

# Vitesse normale (1.0)
response_normal = client.audio.speech.create(
    model="tts-1",
    voice="nova",
    input="Votre rendez-vous est confirmé pour demain à quatorze heures.",
    speed=1.0
)

# Plus lent (0.75) — pour les instructions complexes
response_slow = client.audio.speech.create(
    model="tts-1",
    voice="nova",
    input="Votre rendez-vous est confirmé pour demain à quatorze heures.",
    speed=0.75
)

# Plus rapide (1.25) — pour les notifications courtes
response_fast = client.audio.speech.create(
    model="tts-1",
    voice="nova",
    input="Votre rendez-vous est confirmé pour demain à quatorze heures.",
    speed=1.25
)

Vitesse	Plage	Usage
Lent	0.25 — 0.75	Instructions complexes, accessibilité, personnes âgées
Normal	0.9 — 1.1	Conversations, formations, narration
Rapide	1.25 — 2.0	Notifications, confirmations, récapitulatifs

Techniques de formatage du texte

Le principal levier pour contrôler la prosodie est le formatage du texte d’entrée. Le modèle TTS interprète la ponctuation et la structure pour adapter son débit et son intonation.

Pauses

# Pause courte : virgule
text_comma = "Première étape, vérifiez votre configuration."

# Pause moyenne : point-virgule ou tiret
text_semi = "Première étape — vérifiez votre configuration."

# Pause longue : point ou points de suspension
text_dots = "Première étape. Vérifiez votre configuration."
text_ellipsis = "Première étape... vérifiez votre configuration."

# Pause très longue : paragraphe séparé
text_para = "Première étape.\n\nVérifiez votre configuration."

Emphase et intonation

# Question (intonation montante)
text_question = "Souhaitez-vous confirmer cette réservation ?"

# Exclamation (emphase naturelle)
text_exclaim = "Félicitations ! Votre inscription est confirmée !"

# Emphase par capitalisation
text_caps = "C'est TRÈS important de ne pas sauter cette étape."

# Liste avec rythme (le modèle marque naturellement chaque élément)
text_list = "Vous aurez besoin de : un, votre identifiant. Deux, votre mot de passe. Trois, votre code de confirmation."

Adapter le texte au contexte vocal

Un texte écrit pour être lu et un texte écrit pour être prononcé sont très différents. Pour un agent vocal, reformatez systématiquement :

def format_for_speech(text: str) -> str:
    """Adapte un texte écrit pour une lecture vocale naturelle."""
    import re

    # Épeler les sigles courants
    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)

    # Écrire les nombres en toutes lettres pour les petits nombres
    number_words = {
        "1": "un", "2": "deux", "3": "trois", "4": "quatre",
        "5": "cinq", "6": "six", "7": "sept", "8": "huit",
        "9": "neuf", "10": "dix"
    }
    for digit, word in number_words.items():
        text = re.sub(rf'\b{digit}\b', word, text)

    # Écrire les heures de manière vocale
    text = re.sub(r'(\d{1,2})h(\d{2})', r'\1 heures \2', text)
    text = re.sub(r'(\d{1,2})h\b', r'\1 heures', text)

    return text

original = "Votre RDV est à 14h30. Envoyez 1 SMS pour confirmer."
formatted = format_for_speech(original)
# → "Votre RDV est à 14 heures 30. Envoyez un S M S pour confirmer."

Vitesse adaptative selon le contenu

Un agent vocal intelligent adapte son débit au type de contenu :

def adaptive_speed(content_type: str, user_preference: float = 1.0) -> float:
    """Calcule la vitesse optimale selon le type de contenu."""
    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)
    # Ajuster avec la préférence utilisateur (0.5 à 1.5)
    adjusted = base * user_preference
    return max(0.25, min(4.0, adjusted))  # Borner aux limites API

# Utilisation
speed = adaptive_speed("phone_number", user_preference=0.9)
# → 0.63 (lent pour dicter un numéro)

Post-traitement audio

Pour un contrôle encore plus fin, traitez l’audio après génération :

from pydub import AudioSegment

def post_process_speech(audio_bytes: bytes, adjustments: dict) -> bytes:
    """Post-traitement audio pour ajustements fins."""
    import io
    audio = AudioSegment.from_mp3(io.BytesIO(audio_bytes))

    # Ajuster le volume
    if "volume_db" in adjustments:
        audio = audio + adjustments["volume_db"]

    # Ajouter un fondu d'entrée/sortie
    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"])

    # Ajouter du silence au début (pré-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()

Points clés à retenir

Avec gpt-4o-mini-tts, instructions décrit la manière de parler (ton, intonation, débit, accent) ; tts-1 et tts-1-hd ne l’acceptent pas
Le paramètre speed (0.25 à 4.0) contrôle la vitesse globale de parole
La ponctuation est le levier principal pour les pauses : virgule (courte), point (longue), ellipses (dramatique)
Adaptez le texte au contexte vocal : épelez les sigles, écrivez les nombres en lettres, reformulez les heures
La vitesse doit varier selon le contenu : lente pour les numéros et adresses, rapide pour les confirmations
Le post-traitement audio (volume, fondus, silences) affine le rendu final

Contrôle de la prosodie et du débit