API Realtime de OpenAI
Sinopsis
Al configurar agentes de voz en la API Realtime de OpenAI, es posible que necesite que el agente pronuncie un nombre de marca, un acrónimo o un nombre de producto de una manera específica; por ejemplo, que diga "KVX" como "kivex" en lugar de deletrear las letras. Este artículo describe las técnicas de prompting disponibles y cómo obtener los mejores resultados.
Comprender el desafío
El modelo Realtime de OpenAI genera el habla directamente a partir del prompt y de la conversación. Cuando encuentra una cadena de letras desconocida, como "KVX" o "NTR", tiende a deletrearla por defecto ("kay-vee-ex", "en-tee-arr") porque no tiene una asociación previa entre esa cadena y una palabra hablada.
Esto es distinto de las siglas conocidas. El modelo ya sabe que "SQL" se pronuncia habitualmente como "sequel", por lo que basta con una instrucción sencilla en el prompt. Pero, en el caso de nombres de marca registrados y términos novedosos que el modelo nunca ha visto antes como palabras, el control de la pronunciación mediante prompts es menos confiable y puede requerir experimentación.
Enfoque 1: sección de pronunciaciones de referencia
OpenAI recomienda agregar una sección dedicada de "Pronunciaciones de referencia" en el prompt del sistema. Mantenga las entradas breves y directas:
# Reference Pronunciations
- Pronunciar "KVX" como "kivex"
- Pronunciar "Solaire" como "sol-AIR"
Consejos:
- Use líneas breves, no párrafos explicativos
- Coloque esta sección cerca del inicio del prompt, después de Role ' Objective
- Use una palabra que rime de forma conocida o una guía fonética simple (por ejemplo, "rhymes with fizz") en lugar de una notación compleja
- Mantenga la lista breve: incluya solo los términos que el modelo realmente pronuncia mal
Confiabilidad: buena para términos con los que el modelo ya tiene cierta familiaridad; menos confiable para nombres de marca totalmente novedosos.
Enfoque 2: reforzar la pronunciación en varias secciones del prompt
Si con una sola entrada en Pronunciaciones de referencia no alcanza, intente colocar la instrucción en varios puntos naturales a lo largo del prompt. Reforzar la pronunciación correcta en múltiples lugares aumenta el cumplimiento por parte del modelo.
Ejemplo:
# Role ' Objective
Usted es un conserje de KVX Solutions. Recuerde: "KVX" siempre se
pronuncia como "kivex": dos sílabas, una sola palabra.
# Reference Pronunciations
- Pronunciar "KVX" como "kivex" (dos sílabas; rima con "give-ex")
# Conversation Flow
## Apertura
- Salude al cliente. Diga "kivex Solutions", sin deletrear las letras.
# Guardrails
- Cuando hable en voz alta, siempre diga "kivex"; nunca deletree K-V-X.
Consejos:
- Varíe ligeramente el texto en cada ubicación para que el modelo no pase por alto texto idéntico repetido
- Mantenga cada instancia breve: un recordatorio corto, no una explicación completa
- Buenos lugares para reforzarla: Role & Objective, Reference Pronunciations, Conversation Flow (especialmente en la Apertura) y Guardrails
Confiabilidad: mejor que con una sola instrucción, pero aún inconsistente para nombres de marca novedosos.
Enfoque 3: escritura fonética en el prompt
Si el modelo sigue deletreando las letras a pesar de las instrucciones repetidas, puede intentar escribir el nombre de marca de forma fonética en todo el prompt; por ejemplo, usando "Kivex" en lugar de "KVX" en todos los casos.
El modelo leerá "Kivex" como una palabra y la pronunciará correctamente. La contrapartida es que también escribirá "Kivex" en los mensajes de chat, en lugar del nombre oficial de la marca, "KVX".
Si esta contrapartida es aceptable depende de su caso de uso. Si la experiencia de voz es la prioridad y el texto del chat es secundario, este puede ser el enfoque adecuado. Si la ortografía correcta es igual de importante, este enfoque tiene limitaciones.
Confiabilidad: alta en cuanto a la pronunciación. El nombre de marca no aparecerá correctamente escrito en la salida de chat.
Resumen de las mejores prácticas
- Comience con una sección clara de Pronunciaciones de referencia, con entradas simples de una línea
- Si eso no alcanza, refuerce la pronunciación en 3 o 4 lugares naturales adicionales del prompt
- Si el modelo sigue deletreando las letras, considere usar ortografía fonética en todo el prompt (aceptando el efecto en la salida escrita)
- Evite mencionar pronunciaciones incorrectas como ejemplos negativos: esto puede inducir al modelo a cometer justamente los errores que intenta evitar
- Haga pruebas después de cada cambio: pequeños ajustes en el prompt pueden modificar de forma significativa el comportamiento del modelo en tiempo real
El control de la pronunciación de nombres de marca novedosos es un área en la que la API Realtime tiene limitaciones conocidas. Si continúa teniendo problemas persistentes después de probar estos enfoques, comuníquese con nuestro equipo para que podamos trabajar juntos en una solución para su caso específico.