tts-1

TTS-1 è il modello di sintesi vocale di OpenAI ottimizzato per la velocità. Riceve le parole da pronunciare e produce audio, anziché una trascrizione o una risposta scritta. Gli esempi del produttore comprendono narrare articoli scritti, produrre parlato in diverse lingue e riprodurre audio mentre arriva. TTS-1 è la scelta a latenza inferiore rispetto a TTS-1 HD; il modello HD privilegia la qualità di output. La decisione utile è quindi se conti di più una riproduzione pronta o un profilo narrativo di qualità superiore per l’attività.

Il flusso di generazione vocale è costruito attorno a modello, testo di input e voce selezionata. Il riferimento di OpenAI limita il testo di input a 4096 caratteri, un limite di caratteri anziché una finestra di contesto in token. Prepara il copione effettivo prima della sintesi: scrivi le frasi che l’ascoltatore dovrebbe sentire, risolvi le abbreviazioni e decidi come pronunciare nomi, quantità e titoli. Per un articolo lungo, organizza le sezioni in passaggi comprensibili indipendentemente anziché trattare un documento lungo come una sola richiesta vocale.

La lista attuale di voci di OpenAI specifica per TTS-1 è alloy, ash, coral, echo, fable, onyx, nova, sage e shimmer. Sono voci preimpostate, non l’insieme completo di voci di ogni modello vocale più recente. Le voci sono ottimizzate per l’inglese, mentre il parlato multilingue è supportato fornendo l’input nella lingua da pronunciare. Scegli una voce usando un passaggio rappresentativo con lo stesso vocabolario e ritmo del copione finale. Mantieni coerente quella scelta tra clip correlate quando conta la continuità.

L’audio può essere trasmesso in segmenti, così che la riproduzione inizi prima che l’intero file abbia finito di essere generato. È streaming di parlato creato da testo, non una conversazione parlata bidirezionale. I formati di output documentati sono MP3, Opus, AAC, FLAC, WAV e PCM, con MP3 predefinito. MP3 e AAC forniscono audio compresso; Opus è adatto a streaming e comunicazione; FLAC è senza perdita. WAV evita la decodifica di audio compresso e PCM grezzo contiene campioni a 24 kHz e 16 bit con segno little-endian senza intestazione del file. OpenAI raccomanda WAV o PCM quando è prioritario il tempo di risposta.

Il riferimento vocale fornisce un’impostazione di velocità da 0.25 a 4.0, con 1.0 predefinito. Il campo aggiuntivo di istruzioni in linguaggio naturale non funziona con TTS-1 e l’output SSE in forma di eventi non è supportato per questo modello. I controlli documentati sono copione, voce, velocità e formato audio; i controlli dei modelli più recenti per accento, emozione o sussurro non dovrebbero essere attribuiti a questa edizione. Quando prepari una clip, scegli la velocità per favorire l’intelligibilità e poi esamina parole e pause rese anziché presumere che il numero di caratteri del copione fissi una durata esatta.

La guida linguistica comprende inglese, russo, ucraino, francese, tedesco, spagnolo, portoghese, italiano, arabo, cinese, giapponese, coreano, hindi, kazako e molte altre lingue. Il parlato segue la lingua del testo fornito. Un brief narrativo multilingue parte quindi dal copione tradotto e dal pubblico previsto; la sintesi vocale è un passaggio di resa, non un’istruzione a tradurlo o riscriverlo. Per un annuncio concreto, prepara messaggio esatto e nomi. Per narrazione didattica, rendi chiari confini delle sezioni e definizioni nelle parole che verranno lette.

Un artefatto finito può essere una breve istruzione parlata, un passaggio narrato o un segmento audio per un montaggio più ampio. Verifica pronuncia, completezza, ritmo e formato scelto usando l’output effettivo. Conserva copione e audio insieme, affinché correzioni successive possano essere localizzate nel passaggio interessato. Le indicazioni di OpenAI richiedono che agli ascoltatori venga chiaramente detto che la voce è generata dall’IA. Quella comunicazione appartiene all’esperienza di ascolto; non trasforma TTS-1 in una registrazione di voce umana e non aggiunge controlli di clonazione vocale al modello.