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.
", "aboutText": "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.\n\nEl 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.\n\nLa 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.\n\nEl 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.\n\nLa 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.\n\nLa 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.\n\nEl 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "0436a3650230c4f832e887af34c9ba9f64ffa78a9227defcef15ca2541b1461b", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "openai/tts-1TTS-1 convierte texto preparado en audio hablado con voces seleccionables, velocidad de reproducción y formatos de salida configurables. OpenAI optimiza esta edición para generar voz con menor latencia, lo que la convierte en una opción práctica para lecturas con respuesta rápida, narraciones breves y entrega en streaming de un guion ya escrito.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
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.
POST /v1/audio/speechtextaudio| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites openai/tts-1 | Predeterminado— |
Campoinput | Tipostring | RequisitoObligatorio | Valores y límites Longitud mínima: 1 Longitud máxima: 4096 Unidad: caracteres Unicode | Predeterminado— |
Campovoice | Tipostring | RequisitoObligatorio | Valores y límites alloy | Predeterminado— |
text_to_speech · Obligatorio: input
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, input, voice |
Parámetrovoice_ids | Contratoalloy |
Parámetromax_input_characters | Contrato4096 |
Parámetroother_options | Contratofalse |
Parámetroinput | Contratotexto UTF-8 exacto; recuento de caracteres Unicode sin normalización |
Parámetromaterial_types | Contratotext |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id real devuelto o registro de la biblioteca multimedia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Selecciona una voz exacta de este perfil de modelo.
Los caracteres de entrada y los segundos de audio son métricas de consumo diferentes.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Cantidad facturable | Cantidad para facturación | Unidad de facturación | Cargo |
|---|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Cantidad facturable— | Cantidad para facturación— | Unidad de facturación— | Cargo Entrada · Tokens de entrada — / 1K tokens Salida · Tokens de salida — / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónUltra | Tabla de tarifas— | Cantidad facturableCada punto de código Unicode cuenta como un carácter, incluidos los caracteres Han. | Cantidad para facturación— | Unidad de facturaciónpor 1K caracteres de entrada | Cargo Entrada · carácter de entrada $0.03 por 1K caracteres de entrada |
| ConfiguraciónPor solicitud | Tabla de tarifas— | Cantidad facturable— | Cantidad para facturaciónuna petición | Unidad de facturación— | Cargo Entrada $0 por solicitud |
Ailoot reserva un importe estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/tts-1", "input": "Good afternoon! This is a short voice take.", "voice": "alloy"}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\nmp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"\nexport AILOOT_MEDIA_TASK_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("media-task.json").read_text())))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"\nexport AILOOT_ASSET_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("media-asset.json").read_text())))\nPY_RESULT\nConserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva el resultado binario completo y las cabeceras. Si se devuelve JSON o varias salidas, conserva todos los elementos de datos y descarga el recurso de cada URL firmada real.
Conserva el operation_id/X-Client-Request-ID original para la conciliación sin volver a enviar la solicitud; no hay una ruta dedicada para consultar periódicamente el audio.
| Campo | Tipo |
|---|---|
Campobinary audio | Tipobytes |
Camporesponse headers | Tipoheaders |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Respuestaserver_error | CondiciónLa respuesta devuelta indica que la operación o el resultado requiere una comprobación | Siguiente pasoConserva el ID original de operación o tarea devuelto, las cabeceras de la solicitud y la respuesta; continúa con las lecturas admitidas de esa operación original. No vuelvas a enviar la solicitud de creación. |
Ailoot Ultra openai/tts-1
Usa las rutas de método indicadas arriba.