tts-1

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

El flujo de generación de voz gira en torno al modelo, el texto de entrada y la voz seleccionada. La referencia de OpenAI limita el texto de entrada a 4096 caracteres; se trata de un límite de caracteres, no de una ventana de contexto de tokens. Prepare el guion real antes de la síntesis: escriba las frases que el oyente debe escuchar, resuelva las abreviaturas y decida cómo deben pronunciarse los nombres, las cantidades y los encabezados. Para un artículo largo, organice las secciones en pasajes que puedan entenderse de forma independiente, en lugar de tratar un documento extenso como una única solicitud de voz.

La lista actual de voces de OpenAI específica de 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 de voz más recientes. Están optimizadas para el inglés, aunque se admite voz multilingüe proporcionando la entrada en el idioma que se va a pronunciar. Elija una voz con un pasaje representativo que tenga el mismo vocabulario y ritmo que el guion final. Mantenga esa elección en los clips relacionados cuando la continuidad sea importante.

El audio puede transmitirse por bloques para que la reproducción comience antes de que termine de generarse el archivo completo. Es streaming de voz creada a partir de texto, no una conversación hablada de ida y vuelta. Los formatos de salida documentados son MP3, Opus, AAC, FLAC, WAV y PCM, con MP3 como predeterminado. MP3 y AAC proporcionan audio comprimido; Opus es adecuado para streaming y comunicaciones; FLAC no tiene pérdida. WAV evita la decodificación de audio comprimido, y PCM sin procesar contiene muestras de 24 kHz y 16 bits con signo, en orden little-endian y sin cabecera de archivo. OpenAI recomienda WAV o PCM cuando la prioridad es el tiempo de respuesta.

La referencia de voz ofrece un ajuste de 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 mediante eventos. Sus controles documentados son el guion, la voz, la velocidad y el formato de audio; los controles de acento, emoción o susurro de modelos más recientes no deben atribuirse a esta edición. Al preparar un clip, elija una velocidad que favorezca la inteligibilidad y después revise las palabras y las pausas generadas, en lugar de asumir que el número de caracteres del guion determina 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 idiomas. La voz sigue el idioma del texto proporcionado. Por ello, un encargo de narración multilingüe comienza por el guion traducido y el público previsto; la conversión de texto a voz es una fase de realización sonora, no una instrucción para traducir o reescribir. Para un anuncio práctico, prepare el mensaje exacto y los nombres. Para una narración educativa, deje claros en las palabras que se leerán los límites entre secciones y las definiciones.

El resultado terminado puede ser una instrucción hablada breve, un pasaje narrado o un segmento de audio para una edición más amplia. Revise la pronunciación, la integridad, el ritmo y el formato elegido sobre la salida real. Conserve el guion junto con el audio para que las correcciones posteriores puedan limitarse al pasaje afectado. Las directrices de OpenAI exigen informar claramente a los oyentes de que la voz se ha generado con IA. Esa información 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.