TTS-1 HD to model zamiany tekstu na mowę OpenAI zoptymalizowany pod kątem jakości audio. Wejściem jest przygotowany scenariusz, a wyjściem audio z mową. Wybór HD jest odrębny od nastawionego na szybkość profilu TTS-1: OpenAI opisuje TTS-1 jako model o niższym opóźnieniu, lecz niższej jakości. HD jest więc użytecznym wyborem narracyjnym, gdy gotowa ścieżka głosowa liczy się bardziej niż jak najszybsze rozpoczęcie odtwarzania. Artykuł pisemny, fragment lekcji lub dopracowane objaśnienie mogą stać się materiałem mówionym.
Podstawowe wejścia to wybrany model, dokładny tekst i głos. Dokumentacja mowy producenta ogranicza scenariusz do 4096 znaków na żądanie. Opisuje to długość pisemnego wejścia, a nie gwarancję długości audio. Przygotuj scenariusz zrozumiały w odsłuchu: rozwiń niejednoznaczne skróty, ustal sposób odczytania wielkości i zachowaj spójność każdego fragmentu. W dłuższej lekcji lub artykule dziel tekst w znaczących miejscach i zachowuj kolejność wykorzystania powstałych fragmentów.
Aktualny przewodnik OpenAI wymienia dziewięć wbudowanych opcji dla TTS-1 HD: alloy, ash, coral, echo, fable, onyx, nova, sage i shimmer. Głosy są zoptymalizowane dla angielskiego, natomiast przewodnik zamiany tekstu na mowę wspiera generowanie mowy w kilku językach przez dostarczenie tekstu w wymaganym języku. Porównanie głosów jest najbardziej użyteczne z tym samym reprezentatywnym scenariuszem, zawierającym nazwy i słownictwo specjalistyczne obecne w końcowym materiale. Zachowaj spójny głos i szybkość, gdy wiele klipów tworzy jedną narrację.
Domyślnym wyjściem jest MP3. Opus i AAC zapewniają alternatywne skompresowane formaty audio; FLAC zapewnia kompresję bezstratną; WAV nieskompresowane audio. PCM dostarcza surowe próbki 24 kHz, 16-bitowe ze znakiem w porządku little-endian, bez nagłówka pliku. Wybory te służą różnym celom: małemu plikowi do dystrybucji, materiałowi strumieniowemu lub audio przekazywanemu do montażu. OpenAI zaleca WAV lub PCM dla krótszego czasu odpowiedzi, gdy istotny jest narzut dekodowania. Wybór formatu pliku nie zmienia scenariusza ani nie dodaje osobnego modelu sterowania głosem.
Mowę można dostarczać fragmentami, pozwalając odtwarzaczowi rozpocząć pracę przed ukończeniem całego pliku audio. Jest to strumieniowanie tekst–audio; nie ustanawia dwukierunkowej rozmowy głosowej. Dokumentacja obsługuje szybkość od 0.25 do 4.0, z 1.0 jako wartością domyślną. Osobne pole instrukcji w języku naturalnym nie działa z TTS-1 HD, a wyjście zdarzeń SSE nie jest obsługiwane dla tego modelu. Udokumentowane parametry to scenariusz, gotowy głos, szybkość i format wyjściowy, a nie interfejs promptowanego akcentu lub kierunku emocjonalnego nowszych modeli mowy.
Przewodnik językowy wymienia wśród obsługiwanych języków rosyjski, ukraiński, angielski, francuski, niemiecki, hiszpański, portugalski, włoski, chiński, japoński, koreański, arabski, hindi i kazachski. Przygotuj scenariusz w języku docelowym; synteza odtwarza ten tekst, zamiast go tłumaczyć. W treściach edukacyjnych jasno podawaj definicje i przejścia między sekcjami. W objaśniającym fragmencie audio przygotuj dokładny komunikat i nazwy, które trzeba usłyszeć. Optymalizacja głosu dla angielskiego pozostaje istotna przy ocenie brzmienia konkretnego języka i słownictwa.
Praktyczny proces HD tworzy fragment audio do odsłuchania, oceny i następnie umieszczenia w gotowym materiale. Sprawdź, czy odtworzono każde zdanie, czy nazwy i wielkości wymówiono akceptowalnie i czy tempo wspiera zrozumienie. Zachowaj pisemny scenariusz obok audio, aby poprawkę można było powiązać z odpowiednim fragmentem. OpenAI wymaga jasnego poinformowania, że wygenerowany głos jest sztuczny. HD opisuje rodzinę TTS nastawioną na jakość; samo w sobie nie obiecuje dokładnych czasów, niestandardowej tożsamości mówcy ani ekspresyjnych parametrów innego modelu.
", "aboutText": "TTS-1 HD to model zamiany tekstu na mowę OpenAI zoptymalizowany pod kątem jakości audio. Wejściem jest przygotowany scenariusz, a wyjściem audio z mową. Wybór HD jest odrębny od nastawionego na szybkość profilu TTS-1: OpenAI opisuje TTS-1 jako model o niższym opóźnieniu, lecz niższej jakości. HD jest więc użytecznym wyborem narracyjnym, gdy gotowa ścieżka głosowa liczy się bardziej niż jak najszybsze rozpoczęcie odtwarzania. Artykuł pisemny, fragment lekcji lub dopracowane objaśnienie mogą stać się materiałem mówionym.\n\nPodstawowe wejścia to wybrany model, dokładny tekst i głos. Dokumentacja mowy producenta ogranicza scenariusz do 4096 znaków na żądanie. Opisuje to długość pisemnego wejścia, a nie gwarancję długości audio. Przygotuj scenariusz zrozumiały w odsłuchu: rozwiń niejednoznaczne skróty, ustal sposób odczytania wielkości i zachowaj spójność każdego fragmentu. W dłuższej lekcji lub artykule dziel tekst w znaczących miejscach i zachowuj kolejność wykorzystania powstałych fragmentów.\n\nAktualny przewodnik OpenAI wymienia dziewięć wbudowanych opcji dla TTS-1 HD: alloy, ash, coral, echo, fable, onyx, nova, sage i shimmer. Głosy są zoptymalizowane dla angielskiego, natomiast przewodnik zamiany tekstu na mowę wspiera generowanie mowy w kilku językach przez dostarczenie tekstu w wymaganym języku. Porównanie głosów jest najbardziej użyteczne z tym samym reprezentatywnym scenariuszem, zawierającym nazwy i słownictwo specjalistyczne obecne w końcowym materiale. Zachowaj spójny głos i szybkość, gdy wiele klipów tworzy jedną narrację.\n\nDomyślnym wyjściem jest MP3. Opus i AAC zapewniają alternatywne skompresowane formaty audio; FLAC zapewnia kompresję bezstratną; WAV nieskompresowane audio. PCM dostarcza surowe próbki 24 kHz, 16-bitowe ze znakiem w porządku little-endian, bez nagłówka pliku. Wybory te służą różnym celom: małemu plikowi do dystrybucji, materiałowi strumieniowemu lub audio przekazywanemu do montażu. OpenAI zaleca WAV lub PCM dla krótszego czasu odpowiedzi, gdy istotny jest narzut dekodowania. Wybór formatu pliku nie zmienia scenariusza ani nie dodaje osobnego modelu sterowania głosem.\n\nMowę można dostarczać fragmentami, pozwalając odtwarzaczowi rozpocząć pracę przed ukończeniem całego pliku audio. Jest to strumieniowanie tekst–audio; nie ustanawia dwukierunkowej rozmowy głosowej. Dokumentacja obsługuje szybkość od 0.25 do 4.0, z 1.0 jako wartością domyślną. Osobne pole instrukcji w języku naturalnym nie działa z TTS-1 HD, a wyjście zdarzeń SSE nie jest obsługiwane dla tego modelu. Udokumentowane parametry to scenariusz, gotowy głos, szybkość i format wyjściowy, a nie interfejs promptowanego akcentu lub kierunku emocjonalnego nowszych modeli mowy.\n\nPrzewodnik językowy wymienia wśród obsługiwanych języków rosyjski, ukraiński, angielski, francuski, niemiecki, hiszpański, portugalski, włoski, chiński, japoński, koreański, arabski, hindi i kazachski. Przygotuj scenariusz w języku docelowym; synteza odtwarza ten tekst, zamiast go tłumaczyć. W treściach edukacyjnych jasno podawaj definicje i przejścia między sekcjami. W objaśniającym fragmencie audio przygotuj dokładny komunikat i nazwy, które trzeba usłyszeć. Optymalizacja głosu dla angielskiego pozostaje istotna przy ocenie brzmienia konkretnego języka i słownictwa.\n\nPraktyczny proces HD tworzy fragment audio do odsłuchania, oceny i następnie umieszczenia w gotowym materiale. Sprawdź, czy odtworzono każde zdanie, czy nazwy i wielkości wymówiono akceptowalnie i czy tempo wspiera zrozumienie. Zachowaj pisemny scenariusz obok audio, aby poprawkę można było powiązać z odpowiednim fragmentem. OpenAI wymaga jasnego poinformowania, że wygenerowany głos jest sztuczny. HD opisuje rodzinę TTS nastawioną na jakość; samo w sobie nie obiecuje dokładnych czasów, niestandardowej tożsamości mówcy ani ekspresyjnych parametrów innego modelu.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "d80754166900cf2af91979b21f069f0d9f8d44ac57dfbcc5318207064a4a40e3", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pl", "methods": [ { "html": "openai/tts-1-hdTTS-1 HD zamienia pisemny tekst w audio z mową o wyższej jakości, z wyborem gotowych głosów, szybkości i sześciu formatów wyjściowych. OpenAI pozycjonuje HD pod kątem jakości narracji zamiast niższych opóźnień TTS-1, dzięki czemu przydaje się do gotowych odczytów, materiałów edukacyjnych i montowanych fragmentów audio.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
TTS-1 HD to model zamiany tekstu na mowę OpenAI zoptymalizowany pod kątem jakości audio. Wejściem jest przygotowany scenariusz, a wyjściem audio z mową. Wybór HD jest odrębny od nastawionego na szybkość profilu TTS-1: OpenAI opisuje TTS-1 jako model o niższym opóźnieniu, lecz niższej jakości. HD jest więc użytecznym wyborem narracyjnym, gdy gotowa ścieżka głosowa liczy się bardziej niż jak najszybsze rozpoczęcie odtwarzania. Artykuł pisemny, fragment lekcji lub dopracowane objaśnienie mogą stać się materiałem mówionym.
Podstawowe wejścia to wybrany model, dokładny tekst i głos. Dokumentacja mowy producenta ogranicza scenariusz do 4096 znaków na żądanie. Opisuje to długość pisemnego wejścia, a nie gwarancję długości audio. Przygotuj scenariusz zrozumiały w odsłuchu: rozwiń niejednoznaczne skróty, ustal sposób odczytania wielkości i zachowaj spójność każdego fragmentu. W dłuższej lekcji lub artykule dziel tekst w znaczących miejscach i zachowuj kolejność wykorzystania powstałych fragmentów.
Aktualny przewodnik OpenAI wymienia dziewięć wbudowanych opcji dla TTS-1 HD: alloy, ash, coral, echo, fable, onyx, nova, sage i shimmer. Głosy są zoptymalizowane dla angielskiego, natomiast przewodnik zamiany tekstu na mowę wspiera generowanie mowy w kilku językach przez dostarczenie tekstu w wymaganym języku. Porównanie głosów jest najbardziej użyteczne z tym samym reprezentatywnym scenariuszem, zawierającym nazwy i słownictwo specjalistyczne obecne w końcowym materiale. Zachowaj spójny głos i szybkość, gdy wiele klipów tworzy jedną narrację.
Domyślnym wyjściem jest MP3. Opus i AAC zapewniają alternatywne skompresowane formaty audio; FLAC zapewnia kompresję bezstratną; WAV nieskompresowane audio. PCM dostarcza surowe próbki 24 kHz, 16-bitowe ze znakiem w porządku little-endian, bez nagłówka pliku. Wybory te służą różnym celom: małemu plikowi do dystrybucji, materiałowi strumieniowemu lub audio przekazywanemu do montażu. OpenAI zaleca WAV lub PCM dla krótszego czasu odpowiedzi, gdy istotny jest narzut dekodowania. Wybór formatu pliku nie zmienia scenariusza ani nie dodaje osobnego modelu sterowania głosem.
Mowę można dostarczać fragmentami, pozwalając odtwarzaczowi rozpocząć pracę przed ukończeniem całego pliku audio. Jest to strumieniowanie tekst–audio; nie ustanawia dwukierunkowej rozmowy głosowej. Dokumentacja obsługuje szybkość od 0.25 do 4.0, z 1.0 jako wartością domyślną. Osobne pole instrukcji w języku naturalnym nie działa z TTS-1 HD, a wyjście zdarzeń SSE nie jest obsługiwane dla tego modelu. Udokumentowane parametry to scenariusz, gotowy głos, szybkość i format wyjściowy, a nie interfejs promptowanego akcentu lub kierunku emocjonalnego nowszych modeli mowy.
Przewodnik językowy wymienia wśród obsługiwanych języków rosyjski, ukraiński, angielski, francuski, niemiecki, hiszpański, portugalski, włoski, chiński, japoński, koreański, arabski, hindi i kazachski. Przygotuj scenariusz w języku docelowym; synteza odtwarza ten tekst, zamiast go tłumaczyć. W treściach edukacyjnych jasno podawaj definicje i przejścia między sekcjami. W objaśniającym fragmencie audio przygotuj dokładny komunikat i nazwy, które trzeba usłyszeć. Optymalizacja głosu dla angielskiego pozostaje istotna przy ocenie brzmienia konkretnego języka i słownictwa.
Praktyczny proces HD tworzy fragment audio do odsłuchania, oceny i następnie umieszczenia w gotowym materiale. Sprawdź, czy odtworzono każde zdanie, czy nazwy i wielkości wymówiono akceptowalnie i czy tempo wspiera zrozumienie. Zachowaj pisemny scenariusz obok audio, aby poprawkę można było powiązać z odpowiednim fragmentem. OpenAI wymaga jasnego poinformowania, że wygenerowany głos jest sztuczny. HD opisuje rodzinę TTS nastawioną na jakość; samo w sobie nie obiecuje dokładnych czasów, niestandardowej tożsamości mówcy ani ekspresyjnych parametrów innego modelu.
POST /v1/audio/speechtextaudio| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity openai/tts-1-hd | Domyślnie— |
Poleinput | Typstring | WymaganieWymagane | Wartości i limity Minimalna długość: 1 Maksymalna długość: 4096 Jednostka: znaki Unicode | Domyślnie— |
Polevoice | Typstring | WymaganieWymagane | Wartości i limity alloy | Domyślnie— |
text_to_speech · Wymagane: input
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, input, voice |
Parametrvoice_ids | Kontraktalloy |
Parametrmax_input_characters | Kontrakt4096 |
Parametrother_options | Kontraktfalse |
Parametrinput | Kontraktdokładny tekst UTF-8; liczba znaków Unicode bez normalizacji |
Parametrmaterial_types | Kontrakttext |
Cykl życia: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Rzeczywiście zwrócony task_id lub wpis w bibliotece multimediów
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Wybierz dokładny głos z profilu tego modelu.
Znaki wejściowe i sekundy dźwięku to różne jednostki pomiaru.
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Ilość rozliczana | Ilość do rozliczenia | Jednostka rozliczeniowa | Opłata |
|---|---|---|---|---|---|
| KonfiguracjaBazowe stawki za tokeny | Tabela stawekStawka podstawowa | Ilość rozliczana— | Ilość do rozliczenia— | Jednostka rozliczeniowa— | Opłata Wejście · Tokeny wejściowe — / 1K tokenów Wyjście · Tokeny wyjściowe — / 1K tokenów Wejście · Odczyt cache — / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| KonfiguracjaUltra | Tabela stawek— | Ilość rozliczanaKażdy punkt kodowy Unicode liczy się jako jeden znak, w tym znaki Han. | Ilość do rozliczenia— | Jednostka rozliczeniowaza 1K znaków wejściowych | Opłata Wejście · znak wejściowy $0.06 za 1K znaków wejściowych |
| KonfiguracjaZa żądanie | Tabela stawek— | Ilość rozliczana— | Ilość do rozliczeniajedno żądanie | Jednostka rozliczeniowa— | Opłata Wejście $0 za żądanie |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "openai/tts-1-hd", "input": "Good afternoon! This is a short voice take.", "voice": "alloy"}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.mp3\nmp3
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-assets.json\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_MEDIA_TASK_ID:?Set the actual ID returned by the response or media-library metadata}"\nexport AILOOT_MEDIA_TASK_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_MEDIA_TASK_ID"],safe=""))')\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/tasks/$resource_id" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-task.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("media-task.json").read_text())))\nPY_RESULT\nset -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_ASSET_ID:?Set the actual ID returned by the response or media-library metadata}"\nexport AILOOT_ASSET_ID\nresource_id=$(python3 -c 'import os,urllib.parse;print(urllib.parse.quote(os.environ["AILOOT_ASSET_ID"],safe=""))')\ncurl --fail-with-body --silent --show-error "https://api.ailoot.ai/v1/media/assets/$resource_id" \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o media-asset.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nprint(json.dumps(json.loads(Path("media-asset.json").read_text())))\nPY_RESULT\nZachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj pełny wynik binarny i nagłówki. Jeśli zwrócono JSON lub wiele wyników, zachowaj każdy element danych i pobierz zasób spod każdego rzeczywiście zwróconego podpisanego adresu URL.
Zachowaj pierwotny operation_id/X-Client-Request-ID do uzgodnienia danych bez ponownego wysyłania żądania; brak osobnej ścieżki API do cyklicznego sprawdzania stanu audio.
| Pole | Typ |
|---|---|
Polebinary audio | Typbytes |
Poleresponse headers | Typheaders |
| Odpowiedź | Warunek | Następny krok |
|---|---|---|
Odpowiedź400 · invalid_request_error | WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru | Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia. |
Odpowiedźserver_error | WarunekZwrócona odpowiedź wskazuje, że operacja lub wynik wymaga sprawdzenia | Następny krokZachowaj pierwotnie zwrócony identyfikator operacji lub zadania, nagłówki żądania i odpowiedź; kontynuuj obsługiwane odczyty tej pierwotnej operacji. Nie wysyłaj ponownie żądania utworzenia. |
Ailoot Ultra openai/tts-1-hd
Użyj ścieżek metod podanych powyżej.