tts-1-hd

TTS-1 HD es el modelo de texto a voz de OpenAI optimizado para la calidad de audio. Recibe un guion preparado y devuelve audio hablado. La opción HD se distingue del perfil de TTS-1 centrado en velocidad: OpenAI describe TTS-1 como de menor latencia, pero también de menor calidad. Por eso HD resulta útil para narrar cuando importa más la pista de voz terminada que iniciar la reproducción lo antes posible. Un artículo escrito, un pasaje de una lección o una explicación pulida pueden convertirse en un recurso hablado.

Las entradas principales son el modelo elegido, el texto exacto y una voz. La referencia de voz del fabricante limita el guion a 4096 caracteres por solicitud. Esto describe la longitud del texto escrito, no garantiza una duración de audio. Prepara un guion comprensible al escucharlo: desarrolla abreviaturas ambiguas, decide cómo pronunciar las cantidades y mantén coherente cada pasaje. Para una lección o artículo largo, divide el texto en puntos con sentido y conserva el orden de uso de los pasajes resultantes.

La guía actual de OpenAI enumera nueve opciones integradas para TTS-1 HD: alloy, ash, coral, echo, fable, onyx, nova, sage y shimmer. Las voces están optimizadas para inglés, mientras que la guía de texto a voz permite generar habla en varios idiomas al proporcionar texto en el idioma requerido. Comparar voces resulta más útil con el mismo guion representativo, incluidos los nombres y el vocabulario especializado del material final. Mantén constantes la voz y la velocidad cuando varios clips formen una sola narración.

MP3 es la salida predeterminada. Opus y AAC ofrecen formatos alternativos de audio comprimido; FLAC ofrece compresión sin pérdida y WAV, audio sin comprimir. PCM proporciona muestras sin procesar de 24 kHz, 16 bits con signo y orden little-endian, sin encabezado de archivo. Estas opciones cubren usos distintos: un archivo compacto para distribuir, un recurso para streaming o audio para un flujo de edición. OpenAI recomienda WAV o PCM para respuestas más rápidas cuando importa el costo de decodificación. Elegir un formato de archivo no cambia el guion ni añade un modelo independiente de control de voz.

La voz puede entregarse por bloques, de modo que un reproductor empiece antes de que esté listo el archivo completo. Se trata de streaming de texto a audio; no establece una conversación de voz bidireccional. La referencia admite una velocidad de 0.25 a 4.0, con 1.0 como valor predeterminado. El campo independiente de instrucciones en lenguaje natural no funciona con TTS-1 HD y este modelo no admite salida de eventos SSE. Los controles documentados son el guion, la voz predefinida, la velocidad y el formato de salida, en lugar de la interfaz de los modelos de voz más recientes que permite indicar acento o dirección emocional mediante instrucciones.

La guía de idiomas incluye ruso, ucraniano, inglés, francés, alemán, español, portugués, italiano, chino, japonés, coreano, árabe, hindi y kazajo entre los idiomas compatibles. Prepara el guion en el idioma de destino; la síntesis reproduce ese texto en vez de traducirlo. En contenido educativo, aclara las definiciones y transiciones entre secciones. Para un pasaje de audio explicativo, prepara el mensaje exacto y los nombres que deben escucharse. La optimización de la voz para inglés sigue siendo relevante al evaluar cómo suenan un idioma y vocabulario concretos.

Un flujo práctico con HD produce un pasaje de audio para escucharlo, revisarlo e incorporarlo después al material terminado. Comprueba que se reprodujeron todas las frases, que los nombres y cantidades se pronunciaron de forma aceptable y que el ritmo elegido facilita la comprensión. Conserva el guion escrito junto al audio para localizar una corrección en el pasaje correspondiente. OpenAI exige informar claramente que la voz generada es artificial. HD describe la familia TTS orientada a calidad; por sí sola no promete tiempos exactos, una identidad de hablante personalizada ni los controles expresivos de otro modelo.