tts-1

TTS-1 er OpenAI's tekst-til-tale-model optimeret til hastighed. Den modtager de ord, der skal siges, og producerer lyd frem for en transskription eller et skrevet svar. Producentens eksempler omfatter oplæsning af skrevne artikler, produktion af tale på flere sprog og afspilning af lyd, efterhånden som den ankommer. TTS-1 har lavere svartid end TTS-1 HD; HD-modellen lægger vægt på outputkvalitet. Den nyttige beslutning er derfor, om hurtig afspilning eller fortællerprofilen med højere kvalitet betyder mest for opgaven.

Arbejdsgangen til talegenerering er bygget omkring modellen, inputteksten og den valgte stemme. OpenAI's reference begrænser tekstinputtet til 4096 tegn, en tegngrænse frem for et tokenkontekstvindue. Forbered det faktiske manuskript før syntese: skriv de sætninger, lytteren skal høre, afklar forkortelser, og afgør, hvordan navne, mængder og overskrifter skal udtales. Til en lang artikel skal afsnit organiseres i passager, der kan forstås selvstændigt, frem for at behandle et langt dokument som én taleanmodning.

OpenAI's aktuelle modelspecifikke stemmeliste til TTS-1 er alloy, ash, coral, echo, fable, onyx, nova, sage og shimmer. Det er forudindstillede stemmer; de er ikke det fulde stemmesæt for enhver nyere talemodel. Stemmerne er optimeret til engelsk, mens flersproget tale understøttes ved at levere inputtet på det sprog, der skal tales. Vælg en stemme ved hjælp af en repræsentativ passage med samme ordforråd og tempo som det færdige manuskript. Behold valget i beslægtede klip, når kontinuitet er vigtig.

Lyd kan streames i bidder, så afspilningen begynder, før hele filen er færdiggenereret. Det er streaming af tale skabt fra tekst, ikke en tovejs-talesamtale. De dokumenterede outputformater er MP3, Opus, AAC, FLAC, WAV og PCM med MP3 som standard. MP3 og AAC giver komprimeret lyd; Opus egner sig til streaming og kommunikation; FLAC er tabsfrit. WAV undgår afkodning af komprimeret lyd, og rå PCM indeholder samples ved 24 kHz, 16-bit signed little-endian, uden filheader. OpenAI anbefaler WAV eller PCM, når svartid prioriteres.

API-referencen for talegenerering stiller en hastighedsindstilling fra 0.25 til 4.0 til rådighed med 1.0 som standard. Det ekstra felt til instruktioner i naturligt sprog virker ikke med TTS-1, og hændelsesbaseret SSE-output understøttes ikke for denne model. Dens dokumenterede kontroller er manuskript, stemme, hastighed og lydformat; nyere modellers kontroller til accent, følelse eller hvisken skal ikke knyttes til denne udgave. Når et klip forberedes, skal hastigheden vælges efter forståelighed, og de gengivne ord og pauser derefter undersøges frem for at antage, at manuskriptets tegnantal fastlægger en præcis varighed.

Sprogvejledningen omfatter engelsk, russisk, ukrainsk, fransk, tysk, spansk, portugisisk, italiensk, arabisk, kinesisk, japansk, koreansk, hindi, kasakhisk og mange andre sprog. Talen følger den leverede teksts sprog. En flersproget fortællerbrief starter derfor med det oversatte manuskript og den tilsigtede målgruppe; tekst-til-tale er et gengivelsestrin, ikke en instruktion om at oversætte eller omskrive teksten. Til en praktisk meddelelse skal den præcise besked og navnene forberedes. Til undervisningsfortælling skal afsnitsgrænser og definitioner være tydelige i de ord, som læses op.

En færdig leverance kan være en kort talt instruktion, en fortalt passage eller et lydsegment til en større redigering. Gennemgå udtale, fuldstændighed, tempo og det valgte format med det faktiske output. Gem manuskriptet sammen med lyden, så senere rettelser kan afgrænses til den berørte passage. OpenAI's vejledning kræver, at lyttere tydeligt får at vide, at stemmen er AI-genereret. Den oplysning hører til lytteoplevelsen; den gør ikke TTS-1 til en optagelse af en menneskestemme og tilføjer ikke stemmekloningskontroller til modellen.