OpenAI Realtime API
Übersicht
Wenn Sie Sprachagenten mit der OpenAI Realtime API konfigurieren, müssen Sie unter Umständen festlegen, dass ein Markenname, ein Akronym oder ein Produktname auf eine bestimmte Weise ausgesprochen wird – zum Beispiel „KVX“ als „Kivex“ statt buchstabiert als „K-V-X“. Dieser Artikel beschreibt prompt-basierte Techniken zur Aussprachesteuerung und zeigt, wie Sie damit die besten Ergebnisse erzielen.
Die Herausforderung verstehen
Das Realtime-Modell von OpenAI erzeugt Sprache direkt aus dem Prompt und dem bisherigen Gesprächsverlauf. Trifft es auf eine unbekannte Buchstabenfolge wie „KVX“ oder „NTR“, buchstabiert es diese in der Regel standardmäßig („kay-vee-ex“, „en-tee-arr“), da keine bekannte Verknüpfung zwischen dieser Zeichenfolge und einem gesprochenen Wort besteht.
Bei bekannten Akronymen verhält es sich anders: Das Modell weiß bereits, dass „SQL“ üblicherweise als „Sequel“ ausgesprochen wird, sodass eine einfache Anweisung im Prompt ausreicht. Bei proprietären Markennamen und neuartigen Begriffen, die das Modell noch nie als Wörter gesehen hat, ist die prompt-basierte Aussprachesteuerung dagegen weniger zuverlässig und erfordert unter Umständen etwas Experimentieren.
Ansatz 1: Abschnitt Referenzaussprachen
OpenAI empfiehlt, dem System-Prompt einen eigenen Abschnitt „Referenzaussprachen“ hinzuzufügen. Halten Sie die Einträge kurz und prägnant:
# Referenzaussprachen
- "KVX" als "Kivex" aussprechen
- "Solaire" als "sol-AIR" aussprechen
Tipps:
- Verwenden Sie einzeilige Einträge statt ausführlicher Erklärungsabsätze
- Platzieren Sie diesen Abschnitt weit oben im Prompt, direkt nach „Rolle & Ziel“
- Verwenden Sie ein bekanntes Reimwort oder eine einfache phonetische Umschreibung (z. B. „reimt sich auf Fizz“) anstelle einer komplexen Lautschrift
- Halten Sie die Liste kurz - nehmen Sie nur Begriffe auf, die das Modell tatsächlich falsch ausspricht
Zuverlässigkeit: gut bei Begriffen, mit denen das Modell bereits vertraut ist. Weniger zuverlässig bei völlig neuartigen Markennamen.
Ansatz 2: Aussprache über mehrere Prompt-Abschnitte hinweg verstärken
Reicht ein einzelner Eintrag im Abschnitt „Referenzaussprachen“ nicht aus, platzieren Sie die Anweisung zusätzlich an mehreren natürlichen Stellen im Prompt. Je häufiger das Modell auf die korrekte Aussprache stößt, desto zuverlässiger hält es sich daran.
Beispiel:
# Rolle & Ziel
Sie sind Concierge für KVX Solutions. Denken Sie daran: "KVX" wird immer
als "Kivex" ausgesprochen - zwei Silben, ein Wort.
# Referenzaussprachen
- "KVX" als "Kivex" aussprechen (zwei Silben, reimt sich auf "give-ex")
# Gesprächsfluss
## Öffnung
- Begrüßen Sie den Kunden. Sagen Sie "Kivex Solutions" - buchstabieren Sie die Buchstaben nicht einzeln.
# Leitplanken
- Wenn Sie laut sprechen, sagen Sie immer "Kivex" - schreiben Sie niemals K-V-X aus.
Tipps:
- Variieren Sie den Wortlaut an jeder Stelle leicht, damit das Modell nicht dazu neigt, wiederholten identischen Text zu ignorieren
- Halten Sie jede einzelne Stelle kurz - eine knappe Erinnerung, keine vollständige Erklärung
- Geeignete Stellen zur Verstärkung: „Rolle & Ziel“, „Referenzaussprachen“, „Gesprächsfluss“ (insbesondere die Eröffnung) und „Leitplanken“
Zuverlässigkeit: besser als eine einzelne Anweisung, bei völlig neuartigen Markennamen aber weiterhin nicht ganz konsistent.
Ansatz 3: Phonetische Schreibweise im Prompt
Buchstabiert das Modell den Namen trotz wiederholter Anweisungen hartnäckig aus, können Sie den Markennamen im gesamten Prompt phonetisch schreiben - also durchgängig "Kivex" statt "KVX" verwenden.
Das Modell liest "Kivex" dann als gewöhnliches Wort und spricht es korrekt aus. Der Kompromiss dabei: Das Modell schreibt auch in Chat-Nachrichten "Kivex" statt der offiziellen Markenschreibweise "KVX".
Ob dieser Kompromiss akzeptabel ist, hängt von Ihrem Anwendungsfall ab. Steht die Sprachausgabe im Vordergrund und ist der Chat-Text zweitrangig, kann dies der richtige Ansatz sein. Ist die korrekte Schreibweise ebenso wichtig, stößt dieser Ansatz an seine Grenzen.
Zuverlässigkeit: hoch für die Aussprache. Die schriftliche Markenschreibweise ist in der Chat-Ausgabe dann jedoch nicht korrekt.
Zusammenfassung bewährter Verfahren
- Beginnen Sie mit einem übersichtlichen Abschnitt „Referenzaussprachen“ mit einfachen, einzeiligen Einträgen
- Reicht das nicht aus, verstärken Sie die Aussprache an 3-4 weiteren natürlichen Stellen im Prompt
- Buchstabiert das Modell weiterhin, verwenden Sie die phonetische Schreibweise durchgängig im gesamten Prompt (und akzeptieren Sie den Kompromiss bei der schriftlichen Ausgabe)
- Vermeiden Sie es, falsche Aussprachen als Negativbeispiele aufzuführen - dies kann das Modell auf genau die Fehler trainieren, die Sie vermeiden möchten
- Testen Sie nach jeder Änderung - schon kleine Anpassungen am Prompt können das Verhalten des Realtime-Modells erheblich beeinflussen
Die Aussprachesteuerung für neuartige Markennamen bleibt ein Bereich, in dem die Realtime API an Grenzen stößt. Sollten nach dem Ausprobieren dieser Ansätze weiterhin Probleme bestehen, wenden Sie sich an unser Team – gemeinsam finden wir eine Lösung für Ihren speziellen Fall.