tts-1

TTS-1 er OpenAIs tekst-til-tale-modell optimalisert for hastighet. Den mottar ordene som skal sies og lager lyd, fremfor en transkripsjon eller et skriftlig svar. Produsentens eksempler omfatter opplesning av skriftlige artikler, produksjon av tale på flere språk og avspilling av lyd mens den kommer inn. TTS-1 er valget med lavere latenstid sammenlignet med TTS-1 HD; HD-modellen legger vekt på utdatakvalitet. Det nyttige valget er derfor om rask avspilling eller fortellerprofilen med høyere kvalitet betyr mest for oppgaven.

Arbeidsflyten for talegenerering er bygget rundt modell, inndatatekst og valgt stemme. OpenAIs referanse begrenser tekstinndata til 4096 tegn, en tegngrense fremfor et tokenbasert kontekstvindu. Forbered det faktiske manuset før syntese: skriv setningene lytteren skal høre, avklar forkortelser og avgjør hvordan navn, mengder og overskrifter skal sies. Til en lang artikkel organiserer du avsnittene i selvstendig forståelige passasjer i stedet for å behandle et langt dokument som én taleforespørsel.

OpenAIs gjeldende modellspesifikke stemmeliste for TTS-1 er alloy, ash, coral, echo, fable, onyx, nova, sage og shimmer. Dette er forhåndsdefinerte stemmer; de er ikke hele stemmeutvalget til enhver nyere talemodell. Stemmene er optimalisert for engelsk, mens flerspråklig tale støttes ved å gi inndata på språket som skal sies. Velg en stemme med et representativt avsnitt med samme ordforråd og tempo som det endelige manuset. Behold samme valg på tvers av relaterte klipp når kontinuitet er viktig.

Lyd kan strømmes i deler slik at avspillingen begynner før hele filen er ferdig generert. Dette er strømming av tale laget fra tekst, ikke en toveis talesamtale. De dokumenterte utdataformatene er MP3, Opus, AAC, FLAC, WAV og PCM, med MP3 som standard. MP3 og AAC gir komprimert lyd; Opus passer til strømming og kommunikasjon; FLAC er tapsfritt. WAV unngår dekoding av komprimert lyd, og rå PCM inneholder 24 kHz, 16-bits lydprøver med fortegn og little-endian-byteorden uten filhode. OpenAI anbefaler WAV eller PCM når responstid prioriteres.

API-referansen for talegenerering tilbyr en hastighetsinnstilling fra 0.25 til 4.0, med 1.0 som standard. Det ekstra instruksjonsfeltet for naturlig språk fungerer ikke med TTS-1, og hendelsesbaserte SSE-utdata støttes ikke for denne modellen. Dens dokumenterte kontroller er manus, stemme, hastighet og lydformat; nyere modellers kontroller for aksent, følelse eller hvisking skal ikke knyttes til denne utgaven. Når du forbereder et klipp, velger du hastighet for forståelighet og undersøker deretter de gjengitte ordene og pausene i stedet for å anta at manusets tegnantall fastsetter en nøyaktig varighet.

Språkveiledningen omfatter engelsk, russisk, ukrainsk, fransk, tysk, spansk, portugisisk, italiensk, arabisk, kinesisk, japansk, koreansk, hindi, kasakhisk og mange andre språk. Talen følger språket i den oppgitte teksten. En oppdragsbeskrivelse for flerspråklig fortellerinnhold starter derfor med det oversatte manuset og det tiltenkte publikummet; tekst-til-tale er et gjengivelsessteg, ikke en instruksjon om å oversette eller omskrive det. Til en praktisk kunngjøring forbereder du den nøyaktige meldingen og navnene. Til undervisningsfortelling gjør du avsnittsgrenser og definisjoner tydelige i ordene som skal leses.

Et ferdig resultat kan være en kort muntlig instruksjon, et fortelleravsnitt eller et lydsegment til en større redigering. Gjennomgå uttale, fullstendighet, tempo og valgt format med de faktiske utdataene. Oppbevar manuset sammen med lyden slik at senere korrigeringer kan avgrenses til det berørte avsnittet. OpenAIs veiledning krever at lyttere tydelig informeres om at stemmen er AI-generert. Opplysningen hører til lytteopplevelsen; den gjør ikke TTS-1 til et menneskelig stemmeopptak eller legger til stemmekloningskontroller i modellen.