tts-1-hd

TTS-1 HD es el modelo de conversión de texto a voz de OpenAI optimizado para la calidad del audio. Recibe un guion preparado y produce audio hablado. La opción HD se distingue del perfil de TTS-1 orientado a la velocidad: OpenAI describe TTS-1 como un modelo de menor latencia, pero también de menor calidad. Por ello, HD es una opción útil para narración cuando la pista de voz terminada importa más 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 seleccionado, el texto exacto y una voz. La referencia de voz del fabricante limita el guion a 4096 caracteres por solicitud. Este valor describe la longitud de la entrada escrita, no garantiza una duración de audio. Prepare un guion que resulte comprensible al escucharlo: desarrolle las abreviaturas ambiguas, decida cómo se pronuncian las cantidades y mantenga la coherencia de cada pasaje. Para una lección o un artículo más largos, divida el texto en puntos con sentido y conserve el orden en el que se utilizarán 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 el inglés, mientras que la guía de conversión de texto a voz permite generar voz en varios idiomas proporcionando texto en el idioma deseado. La comparación de voces resulta más útil con el mismo guion representativo, incluidos los nombres y el vocabulario especializado que aparecerán en el material final. Mantenga constantes la voz y la velocidad cuando varios clips formen una sola narración.

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

La voz puede entregarse por bloques, lo que permite a un reproductor comenzar antes de que esté listo el archivo de audio completo. Es streaming de texto a audio; no establece una conversación de voz bidireccional. La referencia admite un valor de 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. El guion, la voz predefinida, la velocidad y el formato de salida son los controles documentados, en lugar de la interfaz de instrucciones para acento o dirección emocional de los modelos de voz más recientes.

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

Un flujo de trabajo práctico con HD produce un pasaje de audio que se escucha, se revisa y después se incorpora al material terminado. Compruebe que se han reproducido todas las oraciones, que los nombres y las cantidades se pronuncian de forma aceptable y que el ritmo elegido facilita la comprensión. Conserve el guion escrito junto al audio para poder vincular cada corrección con el pasaje correspondiente. OpenAI exige informar claramente de que la voz generada es artificial. HD identifica la familia TTS orientada a la calidad; por sí solo no promete una duración exacta, una identidad de hablante personalizada ni los controles expresivos de otro modelo.