tts-1

TTS-1 är OpenAI:s text-till-tal-modell som är optimerad för hastighet. Den tar emot de ord som ska uttalas och skapar ljud, snarare än en transkription eller ett skrivet svar. Tillverkarens exempel omfattar uppläsning av skrivna artiklar, talproduktion på flera språk och uppspelning av ljud medan det kommer in. TTS-1 är valet med lägre latens jämfört med TTS-1 HD; HD-modellen betonar utdatakvalitet. Det användbara beslutet är därför om snabb uppspelning eller berättarröstprofilen med högre kvalitet är viktigare för uppgiften.

Arbetsflödet för talgenerering bygger på modellen, indatatexten och den valda rösten. OpenAI:s referens begränsar textindata till 4096 tecken, en teckengräns snarare än ett tokenbaserat kontextfönster. Förbered det faktiska manuset före syntesen: skriv meningarna lyssnaren ska höra, lös upp förkortningar och avgör hur namn, mängder och rubriker ska uttalas. Organisera avsnitten i en lång artikel till självständigt begripliga delar i stället för att behandla ett långt dokument som en enda talbegäran.

OpenAI:s aktuella modellspecifika röstlista för TTS-1 är alloy, ash, coral, echo, fable, onyx, nova, sage och shimmer. Det är förinställda röster; de utgör inte hela röstuppsättningen för varje nyare talmodell. Rösterna är optimerade för engelska, medan flerspråkigt tal stöds genom att indata anges på det språk som ska uttalas. Välj röst med ett representativt avsnitt med samma ordförråd och tempo som slutmanuset. Håll valet konsekvent mellan relaterade klipp när kontinuitet är viktig.

Ljud kan strömmas i delar så att uppspelningen börjar innan hela filen har genererats. Det är strömning av tal som skapats från text, inte ett dubbelriktat talat samtal. De dokumenterade utdataformaten är MP3, Opus, AAC, FLAC, WAV och PCM, med MP3 som standard. MP3 och AAC ger komprimerat ljud; Opus passar för strömning och kommunikation; FLAC är förlustfritt. WAV undviker avkodning av komprimerat ljud och rå PCM innehåller 16-bitars sampel med tecken i little-endian-format vid 24 kHz utan filhuvud. OpenAI rekommenderar WAV eller PCM när svarstid prioriteras.

Talreferensen ger en hastighetsinställning från 0.25 till 4.0, med 1.0 som standard. Det extra instruktionsfältet för naturligt språk fungerar inte med TTS-1, och händelsebaserade SSE-utdata stöds inte för denna modell. Dess dokumenterade kontroller är manus, röst, hastighet och ljudformat; nyare modellers kontroller för accent, känsla eller viskning ska inte tillskrivas denna version. Välj hastighet som stödjer begriplighet när du förbereder ett klipp och granska sedan återgivna ord och pauser i stället för att anta att manusets teckenantal fastställer en exakt längd.

Språkguiden omfattar engelska, ryska, ukrainska, franska, tyska, spanska, portugisiska, italienska, arabiska, kinesiska, japanska, koreanska, hindi, kazakiska och många andra språk. Talet följer språket i den angivna texten. Ett uppdrag för flerspråkig berättarröst börjar därför med det översatta manuset och den avsedda publiken; text-till-tal är ett återgivningssteg, inte en instruktion att översätta eller skriva om. Förbered det exakta meddelandet och namnen för ett praktiskt utrop. Gör avsnittsgränser och definitioner tydliga i orden som ska läsas upp för pedagogisk berättarröst.

En färdig leverans kan vara en kort talad instruktion, ett uppläst avsnitt eller ett ljudsegment för en större redigering. Granska uttal, fullständighet, tempo och valt format med de faktiska utdata. Spara manuset tillsammans med ljudet så att senare korrigeringar kan lokaliseras till det berörda avsnittet. OpenAI:s vägledning kräver att lyssnare tydligt informeras om att rösten är AI-genererad. Informationen hör till lyssnarupplevelsen; den gör inte TTS-1 till en inspelning av en mänsklig röst och lägger inte till röstkloningskontroller i modellen.