Премини към основното съдържание
Български— Изберете език
Меню

API TTS: Генериране на реч

Урок 10 от 18 Обновен 3 ноември 2026 г. Програмист
На тази страница
  1. API TTS: Генериране на реч
  2. Първото Ви обаждане към TTS
  3. Налични модели
  4. Изходни формати
  5. Генериране на аудио на партиди
  6. Лимит на символи и разделяне
  7. След 6 януари 2027 г.: Каране на Realtime модел да говори
  8. Ключови изводи

Актуализация от 2 ноември 2026 г. — Аудио модели. Няколко модела в този курс са обявени за остарели: tts-1, tts-1-hd и gpt-4o-mini-tts ще бъдат спрени на 6 януари 2027 г. (наследник: gpt-realtime-2.1-mini, за който ръководството на OpenAI за TTS посочва, че не се поддържа от /v1/audio/speech: миграцията на синтез на реч преминава към Realtime API); gpt-realtime, gpt-4o-realtime и наследените аудио модели на 20 януари 2027 г. (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); whisper-1, gpt-4o-transcribe и /v1/audio/translations на 26 февруари 2027 г. (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). За дуплексна гласова връзка GPT-Live 1 е наличен в API от 10 септември 2026 г. Урокът е коригиран на 3 ноември 2026 г.: response.stream_to_file() върху резултата от speech.create() е обявено за остаряло от SDK („Поради грешка този метод всъщност не стриймва“) → използвайте with_streaming_response, както е в официалното ръководство; моделите и гласовете са актуализирани (gpt-4o-mini-tts и неговите инструкции за глас, 13 гласа, включително marin и cedar); добавен е нов раздел за миграция към gpt-realtime-2.1-mini преди 6 януари 2027 г. въз основа на ръководството Realtime conversations. Източници: Text to speech · Create speech · Realtime conversations · Deprecations.

API TTS: Генериране на реч

API за текст към реч (TTS) на OpenAI преобразува текст във висококачествено аудио. За разлика от Realtime API, което управлява пълни гласови разговори, TTS API е услуга за еднократно изпълнение: изпращате текст и получавате аудиофайл. Това е идеалният инструмент за генериране на обявления, гласови известия, аудиокниги или достъпно съдържание.

Първото Ви обаждане към TTS

Генерирането на реч е изключително просто:

from openai import OpenAI
from pathlib import Path

client = OpenAI()

speech_file = Path("welcome.mp3")

with client.audio.speech.with_streaming_response.create(
    model="gpt-4o-mini-tts",
    voice="coral",
    input="Добре дошли в Corsen Academy. "
          "Вашето обучение за гласови агенти започва сега.",
    instructions="Говорете с топъл, премерен тон.",
) as response:
    response.stream_to_file(speech_file)

API връща аудио поток, който можете да запишете директно или да стриймвате към плейър. Използвайте with_streaming_response, както е показано тук: извикването на stream_to_file() върху резултата от обикновено speech.create() е обявено за остаряло от SDK, което отбелязва, че то всъщност не стриймва аудиото.

Налични модели

Трите модела на Audio API са обявени за остарели и ще бъдат спрени на 6 януари 2027 г.: това е преходният период, през който все още ще ги използвате.

МоделСпецификаГласове
gpt-4o-mini-ttsПриема инструкции: акцент, емоция, интонация, скорост, тон, шепнене13 гласа, включително marin и cedar, препоръчителни за качество
tts-1По-ниска латентност, по-ниско качество9 гласа: alloy, ash, coral, echo, fable, onyx, nova, sage, shimmer
tts-1-hdПо-високо качество от tts-1, по-висока латентностСъщите 9 гласа

Инструкциите не работят с tts-1 и tts-1-hd. Параметърът speed, от 0.25 до 4.0, регулира скоростта при всички модели. Според ръководството гласовете са оптимизирани за английски език: прослушайте ги на френски в OpenAI.fm, преди да изберете. Политиките за употреба на OpenAI също изискват ясно да информирате потребителите си, че гласът, който чуват, е генериран от изкуствен интелект.

Изходни формати

API произвежда шест формата, избирани чрез response_format:

ФорматУпотреба
mp3 (по подразбиране)Обща употреба
opusСтрийминг и комуникация в интернет, ниска латентност
aacДигитално компресиране, предпочитан от YouTube, Android и iOS
flacКомпресиране без загуби, за архивиране
wavНекомпресиран, за избягване на натоварване от декодиране
pcmСурови семпли при 24 kHz, 16-битови със знак, без хедър
for fmt in ("mp3", "opus", "aac", "flac", "wav", "pcm"):
    with client.audio.speech.with_streaming_response.create(
        model="gpt-4o-mini-tts",
        voice="marin",
        input="Текст за преобразуване",
        response_format=fmt,
    ) as response:
        response.stream_to_file(f"example.{fmt}")

За гласов агент, изграден върху Realtime API, форматът pcm е най-удобен: неговите 24 kHz, 16-битови семпли съвпадат с формата audio/pcm на Realtime API при 24 kHz.

Генериране на аудио на партиди

За големи обеми текст обработвайте сегментите паралелно:

import asyncio
from openai import AsyncOpenAI

async_client = AsyncOpenAI()

async def generate_speech_batch(segments: list[dict]) -> list[bytes]:
    """Генериране на аудио за множество сегменти паралелно."""
    async def generate_one(segment):
        response = await async_client.audio.speech.create(
            model="gpt-4o-mini-tts",
            voice=segment.get("voice", "alloy"),
            input=segment["text"],
            response_format="mp3"
        )
        return await response.aread()

    tasks = [generate_one(seg) for seg in segments]
    return await asyncio.gather(*tasks)

# Употреба
segments = [
    {"text": "Глава първа. Въведение в гласовите агенти.", "voice": "onyx"},
    {"text": "Гласовите агенти трансформират взаимодействието човек-компютър.", "voice": "onyx"},
    {"text": "В тази глава ще разгледаме основите.", "voice": "onyx"},
]

audio_chunks = asyncio.run(generate_speech_batch(segments))

# Конкатениране на файлове
from pydub import AudioSegment
import io

combined = AudioSegment.empty()
for chunk in audio_chunks:
    segment = AudioSegment.from_mp3(io.BytesIO(chunk))
    combined += segment

combined.export("chapter_1.mp3", format="mp3")

Лимит на символи и разделяне

TTS API има лимит от 4096 символа на заявка. За по-дълги текстове разделяйте интелигентно:

def split_text_for_tts(text: str, max_chars: int = 4000) -> list[str]:
    """Разделяне на текст на сегменти, спазвайки лимитите на TTS."""
    sentences = text.replace(". ", ".\n").split("\n")
    segments = []
    current = ""

    for sentence in sentences:
        if len(current) + len(sentence) + 1 > max_chars:
            if current:
                segments.append(current.strip())
            current = sentence
        else:
            current += " " + sentence if current else sentence

    if current:
        segments.append(current.strip())

    return segments

След 6 януари 2027 г.: Каране на Realtime модел да говори

OpenAI определя gpt-realtime-2.1-mini като заместител на трите модела и предупреждава: това не е модел за крайната точка /v1/audio/speech; миграцията променя работния процес. Преминавате през Realtime сесия. Ръководството Realtime conversations показва как да получите отговор без контекст, който игнорира разговора и следва само инструкциите: това е начинът да накарате модела да произнесе даден текст.

import base64
import json
import os
import wave

import websocket  # pip install websocket-client

TEXT = "Добре дошли в Corsen Academy. Вашето обучение за гласови агенти започва сега."

ws = websocket.WebSocket()
ws.connect(
    "wss://api.openai.com/v1/realtime?model=gpt-realtime-2.1-mini",
    header=[f"Authorization: Bearer {os.environ['OPENAI_API_KEY']}"],
)

# Само аудио изход, 16-битов PCM при 24 kHz, с избран глас
ws.send(json.dumps({
    "type": "session.update",
    "session": {
        "type": "realtime",
        "output_modalities": ["audio"],
        "audio": {"output": {"format": {"type": "audio/pcm", "rate": 24000}, "voice": "marin"}},
    },
}))

# Отговор без контекст (празен вход), който трябва да произнесе текста точно както е
ws.send(json.dumps({
    "type": "response.create",
    "response": {
        "input": [],
        "output_modalities": ["audio"],
        "instructions": f"Кажи точно следния текст, без да добавяш нищо:\n{TEXT}",
    },
}))

audio, transcription = bytearray(), []
while True:
    event = json.loads(ws.recv())
    if event["type"] == "response.output_audio.delta":
        audio += base64.b64decode(event["delta"])
    elif event["type"] == "response.output_audio_transcript.delta":
        transcription.append(event["delta"])
    elif event["type"] == "error":
        raise RuntimeError(event["error"]["message"])
    elif event["type"] == "response.done":
        break
ws.close()

with wave.open("welcome.wav", "wb") as wav:
    wav.setnchannels(1)
    wav.setsampwidth(2)  # 16 бита
    wav.setframerate(24000)
    wav.writeframes(bytes(audio))
print("Изговорен текст:", "".join(transcription))

Две разлики с Audio API са важни в продукцията. Резултатът вече не е гарантиран дума по дума: Realtime моделът следва инструкция; той не чете файл. Затова сравнете транскрипцията на казаното, върната в response.output_audio_transcript.delta, с очаквания текст и генерирайте отново, ако има несъответствие. Таксуването също се променя: то следва тарифите на Realtime модела, в текстови и аудио токени, изброени в неговия спецификационен лист. Накрая, отхвърлен ключ не предотвратява свързването: той пристига малко по-късно, в събитие error.

Ключови изводи

  • gpt-4o-mini-tts, tts-1 и tts-1-hd се спират на 6 януари 2027 г.; gpt-4o-mini-tts е единственият, който приема инструкции за глас (instructions)
  • Записвайте аудио с with_streaming_response: stream_to_file() върху обикновено speech.create() е обявено за остаряло
  • Шест изходни формата: MP3, Opus, AAC, FLAC, WAV и суров PCM
  • PCM форматът е идеален за интеграция с Realtime API
  • Лимит от 4096 символа на заявка: разделяйте дългите текстове на границите на изреченията
  • Обработката на партиди с асинхронния клиент ускорява генерирането на голямо съдържание
  • Миграцията преминава през Realtime сесия с gpt-realtime-2.1-mini: отговор без контекст, 24 kHz PCM аудио, транскрипция за сравнение с текста