tts-1

TTS-1 es el modelo de texto a voz de OpenAI optimizado para velocidad. Recibe las palabras que deben pronunciarse y produce audio, en lugar de una transcripción o respuesta escrita. Los ejemplos del fabricante incluyen narrar artículos escritos, producir voz en varios idiomas y reproducir audio conforme llega. TTS-1 ofrece menor latencia que TTS-1 HD; el modelo HD se centra en calidad de salida. La decisión útil es, por tanto, si para la tarea importa más reproducir pronto o contar con un perfil de narración de mayor calidad.

El flujo de generación de voz se organiza en torno al modelo, el texto de entrada y la voz elegida. La referencia de OpenAI limita la entrada a 4096 caracteres: es un límite de caracteres, no una ventana de contexto en tokens. Prepara el guion real antes de sintetizar: escribe las frases que debe escuchar la persona, resuelve abreviaturas y decide cómo pronunciar nombres, cantidades y encabezados. Para un artículo largo, organiza secciones en pasajes comprensibles por separado en vez de tratar todo el documento como una sola solicitud de voz.

La lista actual de voces de OpenAI específica para TTS-1 es alloy, ash, coral, echo, fable, onyx, nova, sage y shimmer. Son voces predefinidas; no constituyen el conjunto completo de voces de todos los modelos más recientes. Están optimizadas para inglés, mientras que la voz multilingüe se admite al proporcionar la entrada en el idioma que debe pronunciarse. Elige una voz con un pasaje representativo que tenga el mismo vocabulario y ritmo que el guion final. Mantén esa elección en clips relacionados cuando importe la continuidad.

El audio puede transmitirse por bloques para iniciar la reproducción antes de que termine de generarse todo el archivo. Es streaming de voz creada a partir de texto, no una conversación hablada de dos vías. Los formatos de salida documentados son MP3, Opus, AAC, FLAC, WAV y PCM; MP3 es el predeterminado. MP3 y AAC ofrecen audio comprimido; Opus se presta a streaming y comunicación; FLAC no tiene pérdida. WAV evita decodificar audio comprimido y PCM sin procesar contiene muestras de 24 kHz, 16 bits con signo y orden little-endian, sin encabezado de archivo. OpenAI recomienda WAV o PCM cuando el tiempo de respuesta es prioritario.

La referencia de voz proporciona una velocidad de 0.25 a 4.0, con 1.0 como valor predeterminado. El campo adicional de instrucciones en lenguaje natural no funciona con TTS-1 y este modelo no admite salida SSE de eventos. Sus controles documentados son guion, voz, velocidad y formato de audio; no deben atribuirse a esta edición los controles de acento, emoción o susurro de modelos más recientes. Al preparar un clip, elige la velocidad para favorecer la inteligibilidad y revisa después las palabras y pausas generadas, en vez de suponer que el número de caracteres fija una duración exacta.

La guía de idiomas incluye inglés, ruso, ucraniano, francés, alemán, español, portugués, italiano, árabe, chino, japonés, coreano, hindi, kazajo y muchos otros. El habla sigue el idioma del texto proporcionado. Por eso un encargo de narración multilingüe empieza por el guion traducido y el público previsto; texto a voz es una etapa de realización, no una instrucción para traducir o reescribir. Para un anuncio práctico, prepara el mensaje y nombres exactos. Para una narración educativa, aclara los límites de sección y las definiciones en las palabras que se leerán.

El recurso terminado puede ser una instrucción hablada breve, un pasaje narrado o un segmento de audio para una edición mayor. Revisa pronunciación, integridad, ritmo y formato elegido sobre la salida real. Conserva el guion junto con el audio para ubicar futuras correcciones en el pasaje afectado. La guía de OpenAI exige informar claramente a quienes escuchan que la voz se generó con IA. Ese aviso forma parte de la experiencia de escucha; no convierte TTS-1 en una grabación de voz humana ni añade controles de clonación de voz al modelo.