tts-1

TTS-1 adalah model teks ke suara OpenAI yang dioptimalkan untuk kecepatan. Model ini menerima kata-kata yang akan diucapkan dan menghasilkan audio, bukan transkripsi atau jawaban tertulis. Contoh dari produsen mencakup membacakan artikel tertulis, menghasilkan ucapan dalam beberapa bahasa, dan memutar audio saat diterima. TTS-1 merupakan pilihan berlatensi lebih rendah dibandingkan TTS-1 HD; model HD menekankan kualitas keluaran. Karena itu, keputusan yang berguna adalah apakah pemutaran segera atau profil narasi berkualitas lebih tinggi lebih penting untuk tugas tersebut.

Alur kerja generasi ucapan berpusat pada model, teks masukan, dan suara pilihan. Referensi OpenAI membatasi masukan teks hingga 4096 karakter, yaitu batas karakter, bukan jendela konteks token. Siapkan naskah sebenarnya sebelum sintesis: tulis kalimat yang harus didengar pendengar, perjelas singkatan, dan tentukan bagaimana nama, besaran, serta judul diucapkan. Untuk artikel panjang, susun bagian menjadi petikan yang dapat dipahami secara mandiri, alih-alih memperlakukan dokumen panjang sebagai satu permintaan ucapan.

Daftar suara khusus model TTS-1 OpenAI saat ini adalah alloy, ash, coral, echo, fable, onyx, nova, sage, dan shimmer. Ini adalah suara prasetel; daftar tersebut bukan kumpulan suara lengkap dari setiap model ucapan yang lebih baru. Suara-suara ini dioptimalkan untuk bahasa Inggris, sedangkan ucapan multibahasa didukung dengan memberikan masukan dalam bahasa yang akan diucapkan. Pilih suara menggunakan petikan representatif dengan kosakata dan tempo yang sama seperti naskah akhir. Pertahankan pilihan itu secara konsisten antarklip terkait ketika kesinambungan penting.

Audio dapat dialirkan dalam potongan sehingga pemutaran dimulai sebelum seluruh berkas selesai dihasilkan. Ini adalah streaming ucapan yang dibuat dari teks, bukan percakapan lisan dua arah. Format keluaran yang didokumentasikan adalah MP3, Opus, AAC, FLAC, WAV, dan PCM, dengan MP3 sebagai bawaan. MP3 dan AAC menyediakan audio terkompresi; Opus sesuai untuk streaming dan komunikasi; FLAC tidak kehilangan kualitas. WAV menghindari dekode audio terkompresi, sedangkan PCM mentah berisi sampel 24 kHz, 16-bit bertanda dengan urutan little-endian tanpa header berkas. OpenAI menyarankan WAV atau PCM ketika waktu respons menjadi prioritas.

Referensi ucapan menyediakan pengaturan kecepatan dari 0,25 hingga 4,0, dengan 1,0 sebagai bawaan. Kolom instruksi bahasa alami tambahan tidak berfungsi dengan TTS-1, dan keluaran SSE berbentuk peristiwa tidak didukung untuk model ini. Kendali yang didokumentasikan adalah naskah, suara, kecepatan, dan format audio; kendali aksen, emosi, atau bisikan dari model yang lebih baru tidak boleh dilekatkan pada edisi ini. Saat menyiapkan klip, pilih kecepatan yang mendukung keterpahaman, lalu periksa kata serta jeda yang dihasilkan, alih-alih berasumsi bahwa jumlah karakter naskah menentukan durasi tepat.

Panduan bahasa mencakup Inggris, Rusia, Ukraina, Prancis, Jerman, Spanyol, Portugis, Italia, Arab, Tionghoa, Jepang, Korea, Hindi, Kazakh, dan banyak bahasa lainnya. Ucapan mengikuti bahasa teks yang diberikan. Karena itu, arahan narasi multibahasa dimulai dari naskah terjemahan dan audiens yang dituju; teks ke suara adalah tahap perwujudan, bukan instruksi untuk menerjemahkan atau menulis ulang. Untuk pengumuman praktis, siapkan pesan dan nama yang tepat. Untuk narasi pendidikan, perjelas batas bagian serta definisi dalam kata-kata yang akan dibaca.

Artefak akhir dapat berupa instruksi lisan singkat, petikan bernarasi, atau segmen audio untuk suntingan yang lebih besar. Tinjau pelafalan, kelengkapan, tempo, dan format pilihan menggunakan keluaran sebenarnya. Simpan naskah bersama audio agar koreksi berikutnya dapat difokuskan pada petikan yang terdampak. Panduan OpenAI mewajibkan pendengar diberi tahu secara jelas bahwa suara dihasilkan oleh AI. Pengungkapan itu merupakan bagian dari pengalaman mendengarkan; hal itu tidak menjadikan TTS-1 rekaman suara manusia atau menambahkan kendali kloning suara ke model.