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.
", "aboutText": "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.\n\nO 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.\n\nA 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.\n\nO 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.\n\nA 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.\n\nO 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.\n\nO 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "aeea11cef9114270d2031a54895e882af5acb6b4ece92e12ccc8c78ced6f42c5", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "openai/tts-1O TTS-1 converte texto preparado em áudio de voz, com escolha de vozes, velocidade de reprodução e formatos de saída. A OpenAI otimiza esta edição para gerar fala com menor latência, tornando-a uma opção prática para leituras com resposta rápida, narrações curtas e entrega em streaming de um guião já escrito.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
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.
POST /v1/audio/speechtextaudio| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites openai/tts-1 | Predefinição— |
Campoinput | Tipostring | RequisitoObrigatório | Valores e limites Comprimento mínimo: 1 Comprimento máximo: 4096 Unidade: carateres Unicode | Predefinição— |
Campovoice | Tipostring | RequisitoObrigatório | Valores e limites alloy | Predefinição— |
text_to_speech · Obrigatório: input
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, input, voice |
Parâmetrovoice_ids | Contratoalloy |
Parâmetromax_input_characters | Contrato4096 |
Parâmetroother_options | Contratofalse |
Parâmetroinput | Contratotexto UTF-8 exato; contagem de carateres Unicode sem normalização |
Parâmetromaterial_types | Contratotext |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id efetivamente devolvido ou registo na biblioteca de multimédia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Selecione a voz exata deste perfil de modelo.
Os carateres de entrada e os segundos de áudio são medidas de utilização diferentes.
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Quantidade faturável | Quantidade faturada | Unidade de faturação | Custo |
|---|---|---|---|---|---|
| ConfiguraçãoTarifas base por token | Tabela de tarifasTarifa base | Quantidade faturável— | Quantidade faturada— | Unidade de faturação— | Custo Entrada · Tokens de entrada — / 1K tokens Saída · Tokens de saída — / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| ConfiguraçãoUltra | Tabela de tarifas— | Quantidade faturávelCada ponto de código Unicode conta como um caráter, incluindo os caracteres Han. | Quantidade faturada— | Unidade de faturaçãopor 1K caracteres de entrada | Custo Entrada · carácter de entrada $0.03 por 1K caracteres de entrada |
| ConfiguraçãoPor pedido | Tabela de tarifas— | Quantidade faturável— | Quantidade faturadaum pedido | Unidade de faturação— | Custo Entrada $0 por pedido |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${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", "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\nGuarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Guarde o resultado binário completo e os cabeçalhos. Se forem devolvidos JSON/vários resultados, conserve todos os itens de dados e obtenha cada recurso através do seu URL assinado efetivo.
Conserve o operation_id/X-Client-Request-ID original para reconciliação sem voltar a enviar o pedido; não existe uma rota dedicada à consulta periódica do estado do áudio.
| Campo | Tipo |
|---|---|
Campobinary audio | Tipobytes |
Camporesponse headers | Tipoheaders |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Respostaserver_error | CondiçãoA resposta devolvida indica que a operação ou o resultado requer verificação | Passo seguinteGuarde o ID original da operação/tarefa devolvido, os cabeçalhos do pedido e a resposta; continue a consultar essa operação original através das consultas suportadas. Não volte a enviar o pedido de criação. |
Ailoot Ultra openai/tts-1
Use os caminhos dos métodos indicados acima.