tts-1-hd

O TTS-1 HD é o modelo de conversão de texto em voz da OpenAI otimizado para a qualidade do áudio. Recebe um guião preparado e produz áudio de voz. A opção HD distingue-se do perfil do TTS-1 orientado para a velocidade: a OpenAI descreve o TTS-1 como tendo menor latência, mas também menor qualidade. O HD é, por isso, uma escolha útil para narração quando a faixa de voz acabada é mais importante do que iniciar a reprodução o mais depressa possível. Um artigo escrito, uma passagem de uma aula ou uma explicação cuidada podem tornar-se um recurso de áudio.

As entradas principais são o modelo selecionado, o texto exato e uma voz. A referência de síntese de voz do fabricante limita o guião a 4096 caracteres por pedido. Este limite refere-se ao comprimento do texto de entrada, sem garantir uma duração de áudio. Prepare um guião compreensível quando ouvido: desenvolva abreviaturas ambíguas, decida como pronunciar quantidades e mantenha cada passagem coerente. Para uma aula ou um artigo mais longo, divida o texto em pontos com sentido e conserve a ordem de utilização das passagens resultantes.

O guia atual da OpenAI apresenta nove opções integradas para o TTS-1 HD: alloy, ash, coral, echo, fable, onyx, nova, sage e shimmer. As vozes estão otimizadas para inglês, embora o guia de conversão de texto em voz suporte a geração de fala em vários idiomas mediante a apresentação de texto no idioma pretendido. A comparação de vozes é mais útil quando usa o mesmo guião representativo, incluindo os nomes e o vocabulário especializado que aparecerão no material final. Mantenha a voz e a velocidade consistentes quando vários clips compõem uma única narração.

MP3 é a saída predefinida. Opus e AAC oferecem formatos alternativos de áudio comprimido; FLAC oferece compressão sem perdas; WAV oferece áudio não comprimido. PCM fornece amostras em bruto de 24 kHz, com sinal, de 16 bits e em ordem little-endian, sem cabeçalho de ficheiro. Estas opções servem utilizações diferentes: um ficheiro compacto para distribuição, um recurso para streaming ou áudio para incorporar num fluxo de edição. A OpenAI recomenda WAV ou PCM para respostas mais rápidas quando a sobrecarga da descodificação é relevante. Escolher um formato de ficheiro não altera o guião nem acrescenta um modelo separado de controlo de voz.

A voz pode ser entregue em blocos, permitindo a um leitor começar antes de o ficheiro de áudio completo estar pronto. Trata-se de streaming de texto para áudio; não estabelece uma conversação de voz bidirecional. A referência suporta uma velocidade de 0.25 a 4.0, com 1.0 como valor predefinido. O campo separado de instruções em linguagem natural não funciona com o TTS-1 HD e este modelo não suporta saída de eventos SSE. Os controlos documentados são o guião, a voz predefinida, a velocidade e o formato de saída, em vez da interface dos modelos de voz mais recentes para indicar sotaque ou orientação emocional através de instruções.

O guia de idiomas inclui russo, ucraniano, inglês, francês, alemão, espanhol, português, italiano, chinês, japonês, coreano, árabe, hindi e cazaque entre os idiomas suportados. Prepare o guião no idioma de destino; a síntese reproduz esse texto, em vez de o traduzir. Para conteúdos de aprendizagem, torne claras as definições e as transições entre secções. Para uma passagem de áudio explicativa, prepare a mensagem exata e os nomes que têm de ser ouvidos. A otimização da voz para inglês continua a ser relevante na avaliação de como soam um idioma e um vocabulário específicos.

Um fluxo HD prático produz uma passagem de áudio para ouvir, rever e depois incluir no material acabado. Confirme que todas as frases foram reproduzidas, que nomes e quantidades foram pronunciados de forma aceitável e que o ritmo escolhido favorece a compreensão. Conserve o guião escrito junto do áudio para localizar uma correção na passagem relevante. A OpenAI exige uma indicação clara de que a voz gerada é artificial. HD descreve a família TTS orientada para a qualidade; por si só, não promete tempos exatos, uma identidade de locutor personalizada nem os controlos expressivos de outro modelo.