tts-1

A TTS-1 az OpenAI sebességre optimalizált szövegfelolvasó modellje. A kimondandó szavakat fogadja, és hanganyagot készít, nem átiratot vagy írott választ. A gyártó példái között írott cikkek narrálása, többnyelvű beszédkészítés és a beérkező hang azonnali lejátszása szerepel. A TTS-1 a TTS-1 HD-hez képest kisebb késleltetésű választás; a HD modell a kimeneti minőséget hangsúlyozza. A hasznos döntés tehát az, hogy a gyors lejátszás vagy a jobb minőségű narráció fontosabb-e a feladathoz.

A beszédgenerálási munkafolyamat a modellre, bemeneti szövegre és kiválasztott hangra épül. Az OpenAI referenciája 4096 karakterre korlátozza a szövegbemenetet; ez karakterkorlát, nem tokenes kontextusablak. Szintézis előtt készítsd elő a tényleges szöveget: írd meg a hallgatónak szánt mondatokat, oldd fel a rövidítéseket, és döntsd el a nevek, mennyiségek és címsorok kimondását. Hosszú cikknél szervezd a szakaszokat önállóan is érthető részletekbe, ne kezeld a hosszú dokumentumot egyetlen beszédkérésként.

Az OpenAI jelenlegi, modellspecifikus TTS-1 hanglistája: alloy, ash, coral, echo, fable, onyx, nova, sage és shimmer. Ezek előre beállított hangok; nem minden újabb beszédmodell teljes hangkészlete. A hangokat angolra optimalizálták, míg a többnyelvű beszédet a kimondandó nyelven adott bemenet támogatja. Olyan reprezentatív részlettel válassz hangot, amelynek szókincse és tempója azonos a végső szövegével. Ha fontos a folytonosság, az összefüggő klipekben tartsd következetesen ugyanazt a választást.

A hang darabokban streamelhető, így a lejátszás a teljes fájl generálásának vége előtt kezdődik. Ez szövegből létrehozott beszéd streamelése, nem kétirányú szóbeli beszélgetés. A dokumentált kimeneti formátumok MP3, Opus, AAC, FLAC, WAV és PCM, MP3-alapértékkel. Az MP3 és AAC tömörített hangot ad; az Opus streameléshez és kommunikációhoz illik; a FLAC veszteségmentes. A WAV elkerüli a tömörített hang dekódolását, a nyers PCM pedig 24 kHz-es, 16 bites, előjeles little-endian mintákat tartalmaz fájlfejléc nélkül. Az OpenAI WAV-ot vagy PCM-et ajánl, ha a válaszidő elsődleges.

A beszédreferencia 0.25–4.0 sebességbeállítást biztosít 1.0 alapértékkel. A kiegészítő természetes nyelvű instructions mező nem működik a TTS-1-gyel, és az eseményalapú SSE-kimenet sem támogatott ennél a modellnél. Dokumentált vezérlői a szöveg, hang, sebesség és hangformátum; az újabb modellek akcentus-, érzelem- vagy suttogásvezérlését nem szabad ehhez a változathoz kapcsolni. Klip előkészítésénél az érthetőséget szolgáló sebességet válassz, majd ellenőrizd a megszólaltatott szavakat és szüneteket, ne feltételezd, hogy a karakterek száma pontos időtartamot rögzít.

A nyelvi útmutató angolt, oroszt, ukránt, franciát, németet, spanyolt, portugált, olaszt, arabot, kínait, japánt, koreait, hindit, kazahot és sok más nyelvet tartalmaz. A beszéd a megadott szöveg nyelvét követi. A többnyelvű narrációs feladatleírás ezért a lefordított szöveggel és célközönséggel kezdődik; a szövegfelolvasás megszólaltatási lépés, nem fordítási vagy átírási utasítás. Gyakorlati közleményhez készítsd elő a pontos üzenetet és neveket. Oktatási narrációhoz a felolvasandó szavakban tedd világossá a szakaszhatárokat és meghatározásokat.

A kész anyag lehet rövid elmondott utasítás, narrált részlet vagy nagyobb szerkesztéshez tartozó hangszegmens. A tényleges kimenettel ellenőrizd a kiejtést, teljességet, tempót és választott formátumot. A szöveget a hanggal együtt őrizd meg, hogy a későbbi javítások az érintett részletre korlátozhatók legyenek. Az OpenAI útmutatója megköveteli, hogy a hallgatók világos tájékoztatást kapjanak az AI által generált hangról. Ez a tájékoztatás a hallgatási élményhez tartozik; nem teszi a TTS-1-et emberihang-felvétellé, és nem ad hangklónozási vezérlőket a modellhez.