tts-1

O TTS-1 é o modelo de conversão de texto em voz da OpenAI otimizado para a velocidade. Recebe as palavras a pronunciar e produz áudio, em vez de uma transcrição ou uma resposta escrita. Os exemplos do fabricante incluem narrar artigos escritos, produzir fala em vários idiomas e reproduzir o áudio à medida que chega. O TTS-1 é a opção de menor latência em comparação com o TTS-1 HD; o modelo HD privilegia a qualidade da saída. A decisão útil é, por isso, determinar se a tarefa valoriza mais a reprodução imediata ou o perfil de narração de qualidade superior.

O fluxo de geração de fala assenta no modelo, no texto de entrada e na voz selecionada. A referência da OpenAI limita o texto de entrada a 4096 caracteres: é um limite de caracteres, não uma janela de contexto em tokens. Prepare o guião efetivo antes da síntese: escreva as frases que o ouvinte deve ouvir, esclareça abreviaturas e decida como pronunciar nomes, quantidades e títulos. Para um artigo longo, organize as secções em passagens compreensíveis de forma independente, em vez de tratar todo o documento como um único pedido de síntese de voz.

A lista atual de vozes da OpenAI específica do TTS-1 inclui alloy, ash, coral, echo, fable, onyx, nova, sage e shimmer. São vozes predefinidas, não o conjunto completo de vozes de todos os modelos de fala mais recentes. As vozes estão otimizadas para inglês, embora a fala multilingue seja suportada mediante texto de entrada no idioma a pronunciar. Escolha a voz com uma passagem representativa que use o mesmo vocabulário e ritmo do guião final. Mantenha essa escolha consistente entre clips relacionados quando a continuidade for importante.

O áudio pode ser enviado em streaming por blocos, para a reprodução começar antes de a geração do ficheiro inteiro terminar. É streaming de fala criada a partir de texto, não uma conversação falada bidirecional. Os formatos de saída documentados são MP3, Opus, AAC, FLAC, WAV e PCM, com MP3 como predefinição. MP3 e AAC oferecem áudio comprimido; Opus é adequado a streaming e comunicação; FLAC é sem perdas. WAV evita a descodificação de áudio comprimido e PCM em bruto contém amostras de 24 kHz, com sinal, de 16 bits e em ordem little-endian, sem cabeçalho de ficheiro. A OpenAI recomenda WAV ou PCM quando o tempo de resposta é prioritário.

A referência de síntese de voz fornece uma definição de velocidade de 0.25 a 4.0, com 1.0 como valor predefinido. O campo adicional de instruções em linguagem natural não funciona com o TTS-1 e este modelo não suporta saída SSE em forma de eventos. Os controlos documentados são o guião, a voz, a velocidade e o formato de áudio; não se devem atribuir a esta edição os controlos de modelos mais recentes para sotaque, emoção ou sussurro. Ao preparar um clip, escolha uma velocidade que favoreça a inteligibilidade e depois examine as palavras e as pausas produzidas, em vez de assumir que o número de caracteres do guião determina uma duração exata.

O guia de idiomas inclui inglês, russo, ucraniano, francês, alemão, espanhol, português, italiano, árabe, chinês, japonês, coreano, hindi, cazaque e muitos outros idiomas. A fala segue o idioma do texto fornecido. Assim, um pedido de narração multilingue começa pelo guião traduzido e pelo público pretendido; a conversão de texto em voz é uma etapa de reprodução, não uma instrução para traduzir ou reescrever o texto. Para um aviso prático, prepare a mensagem e os nomes exatos. Para uma narração educativa, torne claros no texto lido os limites entre secções e as definições.

O artefacto acabado pode ser uma instrução falada curta, uma passagem narrada ou um segmento de áudio para uma edição maior. Reveja a pronúncia, a integridade, o ritmo e o formato escolhido no resultado efetivo. Conserve o guião com o áudio para que correções posteriores possam incidir na passagem afetada. As orientações da OpenAI exigem que os ouvintes sejam informados de forma clara de que a voz foi gerada por IA. Essa indicação faz parte da experiência de escuta; não transforma o TTS-1 numa gravação de voz humana nem acrescenta controlos de clonagem de voz ao modelo.