tts-1

TTS-1 là mô hình chuyển văn bản thành giọng nói của OpenAI được tối ưu cho tốc độ. Mô hình nhận những từ cần đọc và tạo âm thanh, thay vì bản chép lời hoặc câu trả lời viết. Các ví dụ của nhà sản xuất gồm thuyết minh bài viết, tạo lời nói bằng nhiều ngôn ngữ và phát âm thanh khi dữ liệu đến. TTS-1 là lựa chọn có độ trễ thấp hơn so với TTS-1 HD; mô hình HD nhấn mạnh chất lượng đầu ra. Vì vậy, quyết định hữu ích là việc phát nhanh hay đặc tính thuyết minh chất lượng cao hơn quan trọng hơn đối với tác vụ.

Quy trình tạo lời nói xoay quanh mô hình, văn bản đầu vào và giọng đã chọn. Tài liệu tham chiếu của OpenAI giới hạn văn bản đầu vào ở 4096 ký tự, là giới hạn ký tự chứ không phải cửa sổ ngữ cảnh token. Chuẩn bị kịch bản thực tế trước khi tổng hợp: viết những câu người nghe cần nghe, làm rõ chữ viết tắt và quyết định cách đọc tên riêng, đại lượng và tiêu đề. Với bài viết dài, tổ chức các mục thành các đoạn có thể hiểu độc lập thay vì coi tài liệu dài là một yêu cầu tạo lời nói duy nhất.

Danh sách giọng dành riêng cho TTS-1 hiện tại của OpenAI gồm alloy, ash, coral, echo, fable, onyx, nova, sage và shimmer. Đây là các giọng cài sẵn; chúng không phải toàn bộ tập giọng của mọi mô hình giọng nói mới hơn. Các giọng được tối ưu cho tiếng Anh, trong khi lời nói đa ngôn ngữ được hỗ trợ bằng cách cung cấp đầu vào ở ngôn ngữ cần đọc. Chọn giọng bằng một đoạn đại diện có cùng từ vựng và nhịp với kịch bản hoàn thiện. Giữ lựa chọn đó nhất quán giữa các đoạn liên quan khi tính liên tục là quan trọng.

Âm thanh có thể được truyền theo từng khối để bắt đầu phát trước khi tạo xong toàn bộ tệp. Đây là truyền trực tuyến lời nói được tạo từ văn bản, không phải hội thoại nói hai chiều. Các định dạng đầu ra được mô tả là MP3, Opus, AAC, FLAC, WAV và PCM, với MP3 là mặc định. MP3 và AAC cung cấp âm thanh nén; Opus phù hợp cho truyền trực tuyến và liên lạc; FLAC không mất dữ liệu. WAV tránh bước giải mã âm thanh nén, còn PCM thô chứa mẫu 24 kHz, số nguyên có dấu 16-bit theo thứ tự little-endian, không có phần đầu tệp. OpenAI khuyến nghị WAV hoặc PCM khi thời gian phản hồi là ưu tiên.

Tài liệu tham chiếu giọng nói cung cấp thiết lập tốc độ từ 0.25 đến 4.0, với 1.0 là mặc định. Trường chỉ dẫn bằng ngôn ngữ tự nhiên bổ sung không hoạt động với TTS-1 và đầu ra SSE dạng sự kiện không được hỗ trợ cho mô hình này. Các yếu tố điều khiển được mô tả là kịch bản, giọng, tốc độ và định dạng âm thanh; không nên gắn các yếu tố điều khiển giọng vùng miền, cảm xúc hoặc nói thầm của mô hình mới hơn vào phiên bản này. Khi chuẩn bị một đoạn âm thanh, chọn tốc độ giúp lời nói dễ hiểu rồi kiểm tra những từ và khoảng dừng được tạo thay vì giả định số ký tự trong kịch bản xác định thời lượng chính xác.

Hướng dẫn ngôn ngữ gồm tiếng Anh, Nga, Ukraina, Pháp, Đức, Tây Ban Nha, Bồ Đào Nha, Ý, Ả Rập, Trung, Nhật, Hàn, Hindi, Kazakh và nhiều ngôn ngữ khác. Lời nói tuân theo ngôn ngữ của văn bản được cung cấp. Vì vậy, yêu cầu thuyết minh đa ngôn ngữ bắt đầu từ kịch bản đã dịch và đối tượng nghe dự kiến; chuyển văn bản thành giọng nói là bước thể hiện, không phải chỉ dẫn dịch hay viết lại. Với thông báo thực tế, chuẩn bị thông điệp và tên riêng chính xác. Với thuyết minh giáo dục, làm rõ ranh giới mục và định nghĩa trong những từ sẽ được đọc.

Sản phẩm hoàn thiện có thể là một chỉ dẫn nói ngắn, đoạn thuyết minh hoặc phần âm thanh để ghép vào một bản biên tập lớn hơn. Xem xét cách phát âm, mức đầy đủ, nhịp và định dạng đã chọn bằng đầu ra thực tế. Lưu kịch bản cùng âm thanh để các lần sửa sau có thể tập trung vào đoạn bị ảnh hưởng. Hướng dẫn của OpenAI yêu cầu thông báo rõ cho người nghe rằng giọng được tạo bằng AI. Thông báo đó thuộc trải nghiệm nghe; nó không biến TTS-1 thành bản ghi giọng người thật hoặc bổ sung khả năng sao chép giọng cho mô hình.