OpenAI Realtime API
Επισκόπηση
Όταν διαμορφώνετε φωνητικούς agents στο OpenAI Realtime API, ενδέχεται να χρειαστεί να κάνετε τον agent να προφέρει ένα εμπορικό σήμα, ακρωνύμιο ή όνομα προϊόντος με συγκεκριμένο τρόπο — για παράδειγμα, να λέει «KVX» ως «kivex» αντί να συλλαβίζει τα γράμματα. Αυτό το άρθρο καλύπτει τις διαθέσιμες τεχνικές prompting και το πώς να πετύχετε τα καλύτερα αποτελέσματα.
Κατανόηση της πρόκλησης
Το μοντέλο πραγματικού χρόνου του OpenAI παράγει ομιλία απευθείας από το prompt και τη συνομιλία. Όταν συναντά μια άγνωστη ακολουθία γραμμάτων όπως «KVX» ή «NTR», τείνει να καταφεύγει στη συλλαβιστή ανάγνωση («kay-vee-ex», «en-tee-arr»), επειδή δεν διαθέτει προϋπάρχουσα συσχέτιση ανάμεσα σε αυτή τη συμβολοσειρά και μια προφορική λέξη.
Αυτό διαφέρει από τα γνωστά ακρωνύμια. Το μοντέλο ήδη γνωρίζει ότι το «SQL» προφέρεται συνήθως ως «sequel», οπότε μια απλή οδηγία στο prompt αρκεί. Όμως για ιδιόκτητα ονόματα και νέους όρους που το μοντέλο δεν έχει ξανασυναντήσει ως λέξεις, ο άμεσος έλεγχος προφοράς είναι λιγότερο αξιόπιστος και ενδέχεται να απαιτεί πειραματισμό.
Προσέγγιση 1: Ενότητα Οδηγού Προφοράς
Το OpenAI συνιστά την προσθήκη μιας αφιερωμένης ενότητας Οδηγού Προφοράς στο prompt του συστήματός σας. Κρατήστε τις καταχωρίσεις σύντομες και άμεσες:
# Οδηγός προφοράς
- Προφέρετε το «KVX» ως «kivex»
- Να πώς προφέρεται.
Συμβουλές:
- Χρησιμοποιήστε καταχωρίσεις μίας γραμμής, όχι επεξηγηματικές παραγράφους
- Τοποθετήστε αυτή την ενότητα κοντά στην αρχή του prompt σας, μετά τον Ρόλο & Στόχο
- Χρησιμοποιήστε μια γνωστή ομοιοκαταληξία ή απλό φωνητικό οδηγό (π.χ., «ομοιοκαταληκτεί με fizz») αντί για σύνθετη σημειογραφία
- Κρατήστε τη λίστα σύντομη — συμπεριλάβετε μόνο τους όρους που το μοντέλο πράγματι προφέρει λανθασμένα
Αξιοπιστία: καλή για όρους με τους οποίους το μοντέλο έχει κάποια εξοικείωση. Λιγότερο αξιόπιστη για εντελώς νέα εμπορικά ονόματα.
Προσέγγιση 2: Ενίσχυση της Προφοράς σε Πολλαπλά Τμήματα του Prompt
Αν μία μόνο ενότητα Οδηγού Προφοράς δεν αρκεί, δοκιμάστε να τοποθετήσετε την οδηγία σε διάφορα φυσικά σημεία μέσα στο prompt. Η αναφορά της σωστής προφοράς σε πολλαπλά σημεία αυξάνει τη συμμόρφωση του μοντέλου.
Παράδειγμα:
# Ρόλος & Στόχος
Είστε ο θυρωρός της KVX Solutions. Θυμηθείτε: το «KVX» προφέρεται πάντα
ως «kivex» — δύο συλλαβές, μία λέξη.
# Οδηγός προφοράς
- Προφέρετε το «KVX» ως «kivex» (δύο συλλαβές, ομοιοκαταληκτεί με «give-ex»)
# Ροή συζήτησης
Άνοιγμα
- Χαιρετήστε τον πελάτη. Πείτε «KVX Solutions» — μην συλλαβίζετε τα γράμματα.
# Guardrails
- Όταν μιλάτε δυνατά, πάντα να λέτε «kivex». Ποτέ μη συλλαβίζετε K-V-X.
Συμβουλές:
- Διαφοροποιήστε ελαφρώς τη διατύπωση σε κάθε σημείο, ώστε το μοντέλο να μην αγνοήσει επαναλαμβανόμενο πανομοιότυπο κείμενο
- Κρατήστε κάθε περίπτωση σύντομη — μια γρήγορη υπενθύμιση, όχι πλήρη επεξήγηση
- Καλά σημεία για ενίσχυση: Ρόλος & Στόχος, Οδηγός Προφοράς, Ροή Συζήτησης (ιδίως το άνοιγμα), και Guardrails
Αξιοπιστία: καλύτερη από μία μόνο οδηγία, αλλά ακόμα ασυνεπής για νέα ονόματα μάρκας.
Προσέγγιση 3: Φωνητική Ορθογραφία στο Prompt
Αν το μοντέλο εξακολουθεί επίμονα να συλλαβίζει τα γράμματα παρά τις επαναλαμβανόμενες οδηγίες, μπορείτε να δοκιμάσετε να γράψετε το εμπορικό σήμα φωνητικά σε όλο το prompt — για παράδειγμα, γράφοντας «Kivex» παντού αντί για «KVX».
Το μοντέλο θα διαβάσει το «Kivex» ως λέξη και θα το προφέρει σωστά. Το μειονέκτημα είναι ότι το μοντέλο θα γράφει επίσης «Kivex» στα μηνύματα συνομιλίας, αντί για την επίσημη ορθογραφία «KVX» της μάρκας.
Το αν αυτός ο συμβιβασμός είναι αποδεκτός εξαρτάται από την περίπτωση χρήσης σας. Αν η φωνητική εμπειρία είναι προτεραιότητα και το κείμενο συνομιλίας δευτερεύον, αυτή μπορεί να είναι η σωστή προσέγγιση. Αν η σωστή γραπτή ορθογραφία έχει εξίσου μεγάλη σημασία, η προσέγγιση αυτή έχει περιορισμούς.
Αξιοπιστία: υψηλή για την προφορά. Η γραπτή ορθογραφία της μάρκας δεν θα είναι σωστή στην έξοδο της συνομιλίας.
Περίληψη βέλτιστων πρακτικών
- Ξεκινήστε με μια καθαρή ενότητα Οδηγού Προφοράς χρησιμοποιώντας απλές καταχωρίσεις μίας γραμμής
- Αν αυτό δεν αρκεί, ενισχύστε την προφορά σε 3-4 ακόμη φυσικά σημεία μέσα στο prompt
- Αν το μοντέλο συνεχίζει να συλλαβίζει τα γράμματα, εξετάστε το ενδεχόμενο χρήσης φωνητικής ορθογραφίας σε όλο το prompt (αποδεχόμενοι τον συμβιβασμό στη γραπτή έξοδο)
- Αποφύγετε να καταχωρίζετε λανθασμένες προφορές ως αρνητικά παραδείγματα — αυτό μπορεί να οδηγήσει το μοντέλο ακριβώς στα λάθη που προσπαθείτε να αποφύγετε
- Δοκιμάστε μετά από κάθε αλλαγή — μικρές προσαρμογές στο prompt μπορούν να μεταβάλουν σημαντικά τη συμπεριφορά του μοντέλου πραγματικού χρόνου
Ο έλεγχος προφοράς για νέα εμπορικά ονόματα είναι ένας τομέας όπου το Realtime API έχει γνωστούς περιορισμούς. Αν αντιμετωπίζετε επίμονα προβλήματα μετά την εφαρμογή αυτών των προσεγγίσεων, επικοινωνήστε με την ομάδα μας ώστε να συνεργαστούμε για μια λύση προσαρμοσμένη στην περίπτωσή σας.