tts-1

Το TTS-1 είναι το μοντέλο μετατροπής κειμένου σε ομιλία της OpenAI που έχει βελτιστοποιηθεί για ταχύτητα. Δέχεται τις λέξεις που πρέπει να εκφωνηθούν και παράγει ήχο, αντί για απομαγνητοφώνηση ή γραπτή απάντηση. Τα παραδείγματα του κατασκευαστή περιλαμβάνουν αφήγηση γραπτών άρθρων, παραγωγή ομιλίας σε πολλές γλώσσες και αναπαραγωγή του ήχου καθώς καταφθάνει. Το TTS-1 είναι η επιλογή χαμηλότερης καθυστέρησης σε σύγκριση με το TTS-1 HD· το μοντέλο HD δίνει έμφαση στην ποιότητα εξόδου. Επομένως, η χρήσιμη απόφαση είναι αν για την εργασία έχει μεγαλύτερη σημασία η άμεση αναπαραγωγή ή το προφίλ αφήγησης υψηλότερης ποιότητας.

Η ροή παραγωγής ομιλίας βασίζεται στο μοντέλο, στο κείμενο εισόδου και στην επιλεγμένη φωνή. Η αναφορά της OpenAI περιορίζει την είσοδο κειμένου σε 4096 χαρακτήρες, ένα όριο χαρακτήρων και όχι παράθυρο συμφραζομένων σε token. Προετοιμάστε το πραγματικό κείμενο πριν από τη σύνθεση: γράψτε τις προτάσεις που πρέπει να ακούσει ο ακροατής, αποσαφηνίστε τις συντομογραφίες και αποφασίστε πώς θα εκφωνηθούν τα ονόματα, οι ποσότητες και οι επικεφαλίδες. Για ένα μεγάλο άρθρο, οργανώστε τις ενότητες σε αποσπάσματα που γίνονται κατανοητά αυτόνομα, αντί να αντιμετωπίζετε ένα μακροσκελές έγγραφο ως ένα μόνο αίτημα ομιλίας.

Ο τρέχων κατάλογος φωνών της OpenAI ειδικά για το TTS-1 είναι: alloy, ash, coral, echo, fable, onyx, nova, sage και shimmer. Πρόκειται για προκαθορισμένες φωνές· δεν αποτελούν το πλήρες σύνολο φωνών κάθε νεότερου μοντέλου ομιλίας. Οι φωνές είναι βελτιστοποιημένες για αγγλικά, ενώ η πολύγλωσση ομιλία υποστηρίζεται παρέχοντας την είσοδο στη γλώσσα που πρέπει να εκφωνηθεί. Επιλέξτε φωνή με ένα αντιπροσωπευτικό απόσπασμα που έχει το ίδιο λεξιλόγιο και ρυθμό με το τελικό κείμενο. Διατηρήστε αυτή την επιλογή συνεπή μεταξύ συναφών ηχητικών αποσπασμάτων όταν η συνέχεια έχει σημασία.

Ο ήχος μπορεί να μεταδίδεται συνεχώς σε τμήματα, ώστε η αναπαραγωγή να αρχίζει πριν ολοκληρωθεί η παραγωγή ολόκληρου του αρχείου. Πρόκειται για συνεχή μετάδοση ομιλίας που δημιουργείται από κείμενο, όχι για αμφίδρομη προφορική συζήτηση. Οι τεκμηριωμένες μορφές εξόδου είναι MP3, Opus, AAC, FLAC, WAV και PCM, με προεπιλογή το MP3. Τα MP3 και AAC παρέχουν συμπιεσμένο ήχο· το Opus είναι κατάλληλο για συνεχή μετάδοση και επικοινωνία· το FLAC λειτουργεί χωρίς απώλειες. Το WAV αποφεύγει την αποκωδικοποίηση συμπιεσμένου ήχου και το ακατέργαστο PCM περιέχει δείγματα 24 kHz, 16-bit, με πρόσημο και διάταξη little-endian, χωρίς κεφαλίδα αρχείου. Η OpenAI συνιστά WAV ή PCM όταν ο χρόνος απόκρισης είναι η προτεραιότητα.

Η αναφορά ομιλίας παρέχει ρύθμιση ταχύτητας από 0.25 έως 4.0, με προεπιλογή 1.0. Το πρόσθετο πεδίο οδηγιών φυσικής γλώσσας δεν λειτουργεί με το TTS-1 και η έξοδος SSE με μορφή συμβάντων δεν υποστηρίζεται για αυτό το μοντέλο. Οι τεκμηριωμένες ρυθμίσεις του είναι το κείμενο, η φωνή, η ταχύτητα και η μορφή ήχου· οι ρυθμίσεις νεότερων μοντέλων για προφορά, συναίσθημα ή ψίθυρο δεν πρέπει να αποδίδονται σε αυτή την έκδοση. Όταν προετοιμάζετε ένα απόσπασμα, επιλέξτε την ταχύτητα ώστε να εξυπηρετεί την καταληπτότητα και έπειτα επιθεωρήστε τις αποδοσμένες λέξεις και παύσεις, αντί να υποθέτετε ότι ο αριθμός χαρακτήρων του κειμένου ορίζει ακριβή διάρκεια.

Ο οδηγός γλωσσών περιλαμβάνει αγγλικά, ρωσικά, ουκρανικά, γαλλικά, γερμανικά, ισπανικά, πορτογαλικά, ιταλικά, αραβικά, κινεζικά, ιαπωνικά, κορεατικά, χίντι, καζακικά και πολλές άλλες γλώσσες. Η ομιλία ακολουθεί τη γλώσσα του δοσμένου κειμένου. Επομένως, μια οδηγία πολύγλωσσης αφήγησης ξεκινά από το μεταφρασμένο κείμενο και το προβλεπόμενο κοινό· η μετατροπή κειμένου σε ομιλία είναι στάδιο απόδοσης, όχι εντολή μετάφρασης ή επανασυγγραφής. Για μια πρακτική ανακοίνωση, προετοιμάστε το ακριβές μήνυμα και τα ονόματα. Για εκπαιδευτική αφήγηση, κάντε τα όρια των ενοτήτων και τους ορισμούς σαφή στις λέξεις που θα διαβαστούν.

Ένα ολοκληρωμένο τεχνούργημα μπορεί να είναι μια σύντομη προφορική οδηγία, ένα αφηγούμενο απόσπασμα ή ένα τμήμα ήχου για μεγαλύτερο μοντάζ. Ελέγξτε την προφορά, την πληρότητα, τον ρυθμό και την επιλεγμένη μορφή χρησιμοποιώντας την πραγματική έξοδο. Διατηρήστε το κείμενο μαζί με τον ήχο, ώστε οι επόμενες διορθώσεις να εντοπίζονται στο επηρεαζόμενο απόσπασμα. Οι οδηγίες της OpenAI απαιτούν να ενημερώνονται σαφώς οι ακροατές ότι η φωνή έχει παραχθεί από AI. Αυτή η γνωστοποίηση ανήκει στην εμπειρία ακρόασης· δεν μετατρέπει το TTS-1 σε ηχογράφηση ανθρώπινης φωνής ούτε προσθέτει στο μοντέλο ρυθμίσεις κλωνοποίησης φωνής.