tts-1

TTS-1 to model zamiany tekstu na mowę OpenAI zoptymalizowany pod kątem szybkości. Otrzymuje słowa do wypowiedzenia i tworzy audio, a nie transkrypcję lub odpowiedź pisemną. Przykłady producenta obejmują narrację artykułów, tworzenie mowy w kilku językach i odtwarzanie napływającego audio. TTS-1 jest wyborem o niższym opóźnieniu w porównaniu z TTS-1 HD; model HD kładzie nacisk na jakość wyjścia. Użyteczna decyzja dotyczy więc tego, czy w zadaniu ważniejsze jest szybkie odtwarzanie, czy profil narracji o wyższej jakości.

Proces generowania mowy opiera się na modelu, tekście wejściowym i wybranym głosie. Dokumentacja OpenAI ogranicza wejście tekstowe do 4096 znaków — jest to limit znaków, a nie okno kontekstu tokenów. Przed syntezą przygotuj rzeczywisty scenariusz: napisz zdania, które słuchacz ma usłyszeć, rozstrzygnij skróty i ustal wymowę nazw, wielkości i nagłówków. W długim artykule zorganizuj sekcje w samodzielnie zrozumiałe fragmenty, zamiast traktować cały dokument jako jedno żądanie mowy.

Aktualna lista głosów OpenAI właściwa dla TTS-1 obejmuje alloy, ash, coral, echo, fable, onyx, nova, sage i shimmer. Są to gotowe głosy, a nie pełny zestaw każdego nowszego modelu mowy. Głosy są zoptymalizowane dla angielskiego, a mowa wielojęzyczna jest wspierana przez podanie wejścia w języku do wypowiedzenia. Dobieraj głos na reprezentatywnym fragmencie z tym samym słownictwem i tempem co końcowy scenariusz. Gdy ważna jest ciągłość, utrzymuj wybór w powiązanych klipach.

Audio można strumieniować fragmentami, aby odtwarzanie zaczęło się przed zakończeniem generowania całego pliku. Jest to strumieniowanie mowy utworzonej z tekstu, a nie dwustronna rozmowa głosowa. Udokumentowane formaty wyjściowe to MP3, Opus, AAC, FLAC, WAV i PCM, z MP3 jako domyślnym. MP3 i AAC zapewniają skompresowane audio; Opus pasuje do strumieniowania i komunikacji; FLAC jest bezstratny. WAV unika dekodowania skompresowanego audio, a surowy PCM zawiera próbki 24 kHz, 16-bitowe ze znakiem w porządku little-endian, bez nagłówka pliku. OpenAI zaleca WAV lub PCM, gdy priorytetem jest czas odpowiedzi.

Dokumentacja mowy udostępnia ustawienie szybkości od 0.25 do 4.0, z 1.0 jako wartością domyślną. Dodatkowe pole instrukcji w języku naturalnym nie działa z TTS-1, a wyjście zdarzeń SSE nie jest obsługiwane dla tego modelu. Udokumentowane parametry to scenariusz, głos, szybkość i format audio; parametrów akcentu, emocji lub szeptu nowszych modeli nie należy przypisywać tej wersji. Przygotowując klip, dobierz szybkość pod kątem zrozumiałości, a następnie oceń wypowiedziane słowa i pauzy, zamiast zakładać, że liczba znaków scenariusza wyznacza dokładny czas.

Przewodnik językowy obejmuje angielski, rosyjski, ukraiński, francuski, niemiecki, hiszpański, portugalski, włoski, arabski, chiński, japoński, koreański, hindi, kazachski i wiele innych języków. Mowa podąża za językiem dostarczonego tekstu. Brief wielojęzycznej narracji zaczyna się więc od przetłumaczonego scenariusza i docelowych odbiorców; zamiana tekstu na mowę jest etapem realizacji, a nie instrukcją tłumaczenia lub przepisania. W praktycznym ogłoszeniu przygotuj dokładny komunikat i nazwy. W narracji edukacyjnej zaznacz w wypowiadanych słowach granice sekcji i definicje.

Gotowym materiałem może być krótka instrukcja mówiona, fragment narracji lub segment audio do większego montażu. Sprawdź wymowę, kompletność, tempo i wybrany format na rzeczywistym wyjściu. Zachowaj scenariusz wraz z audio, aby późniejsze poprawki można było ograniczyć do właściwego fragmentu. Wytyczne OpenAI wymagają jasnego poinformowania słuchaczy, że głos wygenerowała AI. Ta informacja należy do doświadczenia słuchowego; nie zmienia TTS-1 w nagranie ludzkiego głosu ani nie dodaje modelowi funkcji klonowania głosu.