tts-1

TTS-1 est le modèle de synthèse vocale d’OpenAI optimisé pour la vitesse. Il reçoit les mots à prononcer et produit de l’audio, plutôt qu’une transcription ou une réponse écrite. Les exemples du fabricant comprennent la narration d’articles écrits, la production de parole dans plusieurs langues et la lecture audio à mesure de son arrivée. TTS-1 est le choix à plus faible latence par rapport à TTS-1 HD ; le modèle HD met l’accent sur la qualité de sortie. La décision utile consiste donc à déterminer si une lecture rapide ou le profil de narration de meilleure qualité importe davantage pour la tâche.

Le processus de génération vocale est construit autour du modèle, du texte d’entrée et de la voix choisie. La référence d’OpenAI limite le texte d’entrée à 4096 caractères, une limite de caractères plutôt qu’une fenêtre de contexte en tokens. Préparez le script réel avant la synthèse : écrivez les phrases que l’auditeur doit entendre, résolvez les abréviations et déterminez la prononciation des noms, des quantités et des titres. Pour un long article, organisez les sections en passages compréhensibles indépendamment, plutôt que de traiter un long document comme une seule requête vocale.

La liste actuelle de voix d’OpenAI propre à TTS-1 est alloy, ash, coral, echo, fable, onyx, nova, sage et shimmer. Ce sont des voix prédéfinies ; elles ne constituent pas l’ensemble complet de voix de tous les modèles vocaux plus récents. Les voix sont optimisées pour l’anglais, tandis que la parole multilingue est prise en charge en fournissant l’entrée dans la langue à prononcer. Choisissez une voix avec un passage représentatif ayant le même vocabulaire et le même rythme que le script définitif. Gardez ce choix cohérent entre les extraits liés lorsque la continuité importe.

L’audio peut être fourni en segments pour que la lecture commence avant la fin de génération du fichier entier. Il s’agit d’un streaming de parole créée à partir de texte, plutôt que d’une conversation parlée bidirectionnelle. Les formats de sortie documentés sont MP3, Opus, AAC, FLAC, WAV et PCM, avec MP3 par défaut. MP3 et AAC fournissent de l’audio compressé ; Opus convient au streaming et à la communication ; FLAC est sans perte. WAV évite le décodage d’audio compressé et le PCM brut contient des échantillons signés de 16 bits à 24 kHz en petit-boutiste, sans en-tête de fichier. OpenAI recommande WAV ou PCM lorsque le temps de réponse est prioritaire.

La référence de parole fournit un réglage de vitesse de 0.25 à 4.0, avec 1.0 par défaut. Le champ supplémentaire d’instructions en langue naturelle ne fonctionne pas avec TTS-1 et la sortie de type événements SSE n’est pas prise en charge pour ce modèle. Ses commandes documentées sont le script, la voix, la vitesse et le format audio ; les commandes d’accent, d’émotion ou de chuchotement de modèles plus récents ne doivent pas être rattachées à cette édition. Lorsque vous préparez un extrait, choisissez une vitesse favorisant l’intelligibilité, puis examinez les mots et les pauses restitués, plutôt que de supposer que le nombre de caractères du script fixe une durée exacte.

Le guide linguistique comprend l’anglais, le russe, l’ukrainien, le français, l’allemand, l’espagnol, le portugais, l’italien, l’arabe, le chinois, le japonais, le coréen, l’hindi, le kazakh et de nombreuses autres langues. La parole suit la langue du texte fourni. Un cahier des charges de narration multilingue commence donc par le script traduit et le public visé ; la synthèse vocale est une étape de restitution, plutôt qu’une instruction de le traduire ou de le réécrire. Pour une annonce concrète, préparez le message exact et les noms. Pour une narration pédagogique, rendez les limites de sections et les définitions claires dans les mots qui seront lus.

Un artefact terminé peut être une courte instruction parlée, un passage narré ou un segment audio pour un montage plus vaste. Vérifiez la prononciation, la complétude, le rythme et le format choisi au moyen de la sortie réelle. Préservez le script avec l’audio afin que les corrections ultérieures puissent être localisées au passage concerné. Les recommandations d’OpenAI exigent d’indiquer clairement aux auditeurs que la voix est générée par IA. Cette indication appartient à l’expérience d’écoute ; elle ne transforme pas TTS-1 en enregistrement de voix humaine et n’ajoute pas de commandes de clonage vocal au modèle.