API TTS: Генериране на реч
На тази страница
Актуализация от 2 ноември 2026 г. — Аудио модели. Няколко модела в този курс са обявени за остарели:
tts-1,tts-1-hdиgpt-4o-mini-ttsще 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-realtimeи 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-transcribeи/v1/audio/translationsна 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 отspeech.create()е обявено за остаряло от SDK („Поради грешка този метод всъщност не стриймва“) → използвайтеwith_streaming_response, както е в официалното ръководство; моделите и гласовете са актуализирани (gpt-4o-mini-ttsи неговите инструкции за глас, 13 гласа, включителноmarinиcedar); добавен е нов раздел за миграция къмgpt-realtime-2.1-miniпреди 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.
| Модел | Специфика | Гласове |
|---|---|---|
gpt-4o-mini-tts | Приема инструкции: акцент, емоция, интонация, скорост, тон, шепнене | 13 гласа, включително marin и cedar, препоръчителни за качество |
tts-1 | По-ниска латентност, по-ниско качество | 9 гласа: alloy, ash, coral, echo, fable, onyx, nova, sage, shimmer |
tts-1-hd | По-високо качество от tts-1, по-висока латентност | Същите 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:
| Формат | Употреба |
|---|---|
mp3 (по подразбиране) | Обща употреба |
opus | Стрийминг и комуникация в интернет, ниска латентност |
aac | Дигитално компресиране, предпочитан от YouTube, Android и iOS |
flac | Компресиране без загуби, за архивиране |
wav | Некомпресиран, за избягване на натоварване от декодиране |
pcm | Сурови 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-1иtts-1-hdсе спират на 6 януари 2027 г.;gpt-4o-mini-ttsе единственият, който приема инструкции за глас (instructions)- Записвайте аудио с
with_streaming_response:stream_to_file()върху обикновеноspeech.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