tts-1

TTS-1 ist das auf Geschwindigkeit optimierte Text-to-Speech-Modell von OpenAI. Es empfängt die zu sprechenden Wörter und erzeugt Audio, statt einer Transkription oder einer schriftlichen Antwort. Zu den Herstellerbeispielen gehören das Vorlesen geschriebener Artikel, die Erzeugung von Sprachausgabe in mehreren Sprachen und die Wiedergabe von Audio während seines Eintreffens. TTS-1 ist gegenüber TTS-1 HD die latenzärmere Wahl; das HD-Modell betont die Ausgabequalität. Die praktische Entscheidung lautet daher, ob schnelle Wiedergabe oder das Profil für hochwertigere Erzählaufnahmen für die Aufgabe wichtiger ist.

Der Workflow zur Spracherzeugung basiert auf Modell, Eingabetext und ausgewählter Stimme. Die OpenAI-Referenz begrenzt die Texteingabe auf 4.096 Zeichen; das ist eine Zeichengrenze, kein Token-Kontextfenster. Bereiten Sie das tatsächliche Skript vor der Synthese vor: Schreiben Sie die Sätze, die der Hörer hören soll, klären Sie Abkürzungen und legen Sie fest, wie Namen, Mengenangaben und Überschriften gesprochen werden sollen. Gliedern Sie einen langen Artikel in eigenständig verständliche Passagen, statt ein langes Dokument als eine einzige Sprachanfrage zu behandeln.

Die aktuelle modellspezifische Stimmenliste von OpenAI für TTS-1 lautet alloy, ash, coral, echo, fable, onyx, nova, sage und shimmer. Dies sind voreingestellte Stimmen; sie sind nicht der vollständige Stimmensatz jedes neueren Sprachmodells. Die Stimmen sind für Englisch optimiert; mehrsprachige Ausgabe wird durch Bereitstellung der Eingabe in der zu sprechenden Sprache unterstützt. Wählen Sie eine Stimme anhand einer repräsentativen Passage mit demselben Wortschatz und Tempo wie im fertigen Skript. Behalten Sie diese Wahl über zusammengehörige Clips hinweg bei, wenn Kontinuität wichtig ist.

Audio kann in Abschnitten gestreamt werden, sodass die Wiedergabe beginnt, bevor die gesamte Datei fertig erzeugt wurde. Dies ist Streaming von aus Text erzeugter Sprachausgabe, kein wechselseitiges gesprochenes Gespräch. Die dokumentierten Ausgabeformate sind MP3, Opus, AAC, FLAC, WAV und PCM; MP3 ist die Standardeinstellung. MP3 und AAC bieten komprimiertes Audio, Opus eignet sich für Streaming und Kommunikation, FLAC ist verlustfrei. WAV vermeidet die Dekodierung komprimierten Audios; rohes PCM enthält vorzeichenbehaftete 16-Bit-Samples mit 24 kHz in Little-Endian-Reihenfolge ohne Dateiheader. OpenAI empfiehlt WAV oder PCM, wenn die Antwortzeit Vorrang hat.

Die Referenzdokumentation zur Sprachausgabe bietet eine Geschwindigkeitseinstellung von 0.25 bis 4.0 mit 1.0 als Standard. Das zusätzliche Feld für natürlichsprachliche Anweisungen funktioniert mit TTS-1 nicht, und ereignisbasierte SSE-Ausgabe wird für dieses Modell nicht unterstützt. Seine dokumentierten Steuerungsmöglichkeiten sind Skript, Stimme, Geschwindigkeit und Audioformat; Steuerelemente neuerer Modelle für Akzent, Emotion oder Flüstern sollten dieser Modellversion nicht zugeordnet werden. Wählen Sie bei der Vorbereitung eines Clips eine Geschwindigkeit, die der Verständlichkeit dient, und prüfen Sie anschließend die wiedergegebenen Wörter und Pausen, statt anzunehmen, dass die Zeichenzahl des Skripts eine genaue Dauer festlegt.

Der Sprachleitfaden umfasst Englisch, Russisch, Ukrainisch, Französisch, Deutsch, Spanisch, Portugiesisch, Italienisch, Arabisch, Chinesisch, Japanisch, Koreanisch, Hindi, Kasachisch und viele weitere Sprachen. Die Sprachausgabe folgt der Sprache des bereitgestellten Textes. Ein mehrsprachiges Erzählbriefing beginnt deshalb mit dem übersetzten Skript und dem vorgesehenen Publikum; Text-to-Speech ist ein Wiedergabeschritt, keine Anweisung zum Übersetzen oder Umschreiben. Bereiten Sie für eine praktische Ansage die genaue Aussage und Namen vor. Machen Sie bei Lerntexten Abschnittsgrenzen und Definitionen in den vorzulesenden Wörtern deutlich.

Ein fertiges Ergebnis kann eine kurze gesprochene Anweisung, eine erzählte Passage oder ein Audiosegment für einen größeren Schnitt sein. Prüfen Sie Aussprache, Vollständigkeit, Tempo und das gewählte Format anhand der tatsächlichen Ausgabe. Bewahren Sie das Skript zusammen mit dem Audio auf, damit spätere Korrekturen auf die betroffene Passage begrenzt werden können. Die OpenAI-Richtlinien verlangen, Hörern klar mitzuteilen, dass die Stimme KI-generiert ist. Dieser Hinweis gehört zum Hörerlebnis; er verwandelt TTS-1 weder in eine Aufnahme einer menschlichen Stimme noch ergänzt er das Modell um Steuerelemente zum Stimmenklonen.