tts-1-hd

TTS-1 HD est le modèle de synthèse vocale d’OpenAI optimisé pour la qualité audio. Un script préparé constitue son entrée et de l’audio parlé sa sortie. Le choix HD est distinct du profil de TTS-1 centré sur la vitesse : OpenAI décrit TTS-1 comme ayant une latence plus faible, mais une qualité inférieure. HD est donc un choix utile de narration lorsque la piste vocale terminée importe davantage que le démarrage de lecture le plus rapide possible. Un article écrit, un passage de leçon ou une explication soignée peuvent devenir un élément parlé.

Les entrées principales sont le modèle choisi, le texte exact et une voix. La référence de parole du fabricant limite le script à 4096 caractères par requête. Cela décrit la longueur d’entrée écrite, plutôt qu’une garantie de durée audio. Préparez un script compréhensible à l’écoute : développez les abréviations ambiguës, déterminez la manière de prononcer les quantités et gardez chaque passage cohérent. Pour une leçon ou un article plus longs, divisez le texte selon des limites porteuses de sens et conservez l’ordre d’utilisation des passages obtenus.

Le guide actuel d’OpenAI répertorie neuf choix intégrés pour TTS-1 HD : alloy, ash, coral, echo, fable, onyx, nova, sage et shimmer. Les voix sont optimisées pour l’anglais, tandis que le guide de synthèse vocale prend en charge la génération de parole dans plusieurs langues en fournissant du texte dans la langue requise. Une comparaison de voix est surtout utile avec un même script représentatif, comprenant les noms et le vocabulaire spécialisé qui apparaîtront dans le contenu final. Gardez la voix et la vitesse cohérentes lorsque plusieurs extraits forment une narration.

MP3 est la sortie par défaut. Opus et AAC fournissent d’autres formats audio compressés ; FLAC fournit une compression sans perte ; WAV fournit de l’audio non compressé. PCM fournit des échantillons bruts signés de 16 bits à 24 kHz en petit-boutiste, sans en-tête de fichier. Ces choix servent à différents usages : un fichier compact à distribuer, un élément en streaming ou de l’audio à transmettre à un processus de montage. OpenAI recommande WAV ou PCM pour des réponses plus rapides lorsque la surcharge de décodage compte. Choisir un format de fichier ne modifie pas le script et n’ajoute pas de modèle distinct de contrôle vocal.

La parole peut être fournie par segments, permettant à un lecteur de commencer avant que le fichier audio complet soit prêt. Il s’agit d’un streaming texte-audio ; cela n’établit pas une conversation vocale bidirectionnelle. La référence prend en charge une valeur de vitesse de 0.25 à 4.0, avec 1.0 par défaut. Le champ distinct d’instructions en langue naturelle ne fonctionne pas avec TTS-1 HD et la sortie d’événements SSE n’est pas prise en charge pour ce modèle. Le script, la voix prédéfinie, la vitesse et le format de sortie sont les commandes documentées, plutôt que l’interface de guidage d’accent ou de direction émotionnelle des modèles vocaux plus récents.

Le guide linguistique comprend notamment le russe, l’ukrainien, l’anglais, le français, l’allemand, l’espagnol, le portugais, l’italien, le chinois, le japonais, le coréen, l’arabe, l’hindi et le kazakh parmi les langues prises en charge. Préparez le script dans la langue cible ; la synthèse restitue ce texte plutôt que de le traduire. Pour un contenu pédagogique, rendez les définitions et les transitions de sections claires. Pour un passage audio explicatif, préparez le message exact et tous les noms qui doivent être entendus. L’optimisation anglaise de la voix reste pertinente lors de l’évaluation du rendu d’une langue et d’un vocabulaire particuliers.

Un processus HD concret produit un passage audio à écouter, à vérifier, puis à inclure dans le contenu terminé. Vérifiez que chaque phrase a été restituée, que les noms et les quantités ont été prononcés de manière acceptable et que le rythme choisi aide la compréhension. Préservez le script écrit avec l’audio afin qu’une correction puisse être reliée au passage pertinent. OpenAI exige une indication claire que la voix générée est artificielle. HD décrit la famille TTS orientée vers la qualité ; il ne promet pas à lui seul un calage temporel exact, une identité de locuteur personnalisée ou les commandes expressives d’un autre modèle.