Το API TTS: Δημιουργία Ομιλίας
Σε αυτήν τη σελίδα
Ενημέρωση 2 Νοεμβρίου 2026 — Μοντέλα ήχου. Αρκετά μοντέλα σε αυτό το μάθημα έχουν καταργηθεί: τα
tts-1,tts-1-hdκαιgpt-4o-mini-ttsθα απενεργοποιηθούν στις 6 Ιανουαρίου 2027 (διάδοχος:gpt-realtime-2.1-mini, το οποίο ο οδηγός TTS της OpenAI αναφέρει ότι δεν υποστηρίζεται από το/v1/audio/speech: η μετάβαση στη σύνθεση ομιλίας μεταφέρεται στο Realtime API)· ταgpt-realtime,gpt-4o-realtimeκαι τα παλαιότερα μοντέλα ήχου στις 20 Ιανουαρίου 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5)· ταwhisper-1,gpt-4o-transcribeκαι το/v1/audio/translationsστις 26 Φεβρουαρίου 2027 (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). Για αμφίδρομη φωνητική επικοινωνία, το GPT-Live 1 είναι διαθέσιμο στο API από τις 10 Σεπτεμβρίου 2026. Διόρθωση μαθήματος 3 Νοεμβρίου 2026: Η μέθοδοςresponse.stream_to_file()στο αποτέλεσμα τουspeech.create()έχει καταργηθεί από το SDK («Λόγω σφάλματος, αυτή η μέθοδος δεν κάνει πραγματικά ροή») → χρησιμοποιήστε τοwith_streaming_response, όπως στον επίσημο οδηγό· ενημερώθηκαν τα μοντέλα και οι φωνές (gpt-4o-mini-ttsκαι οι οδηγίες φωνής του, 13 φωνές συμπεριλαμβανομένων τωνmarinκαιcedar)· νέα ενότητα για τη μετάβαση στοgpt-realtime-2.1-miniπριν από τις 6 Ιανουαρίου 2027, βάσει του οδηγού Realtime conversations. Πηγές: Text to speech · Create speech · Realtime conversations · Deprecations.
Το API TTS: Δημιουργία Ομιλίας
Το API Μετατροπής Κειμένου σε Ομιλία (TTS) της OpenAI μετατρέπει το κείμενο σε ήχο υψηλής ποιότητας. Σε αντίθεση με το Realtime API, το οποίο διαχειρίζεται πλήρεις φωνητικές συνομιλίες, το API TTS είναι μια υπηρεσία μίας εκτέλεσης: στέλνετε κείμενο και λαμβάνετε ένα αρχείο ήχου. Είναι το ιδανικό εργαλείο για τη δημιουργία ανακοινώσεων, φωνητικών ειδοποιήσεων, audiobooks ή περιεχομένου προσβάσιμου σε όλους.
Η Πρώτη σας Κλήση TTS
Η δημιουργία ομιλίας είναι εξαιρετικά απλή:
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="Welcome to Corsen Academy. "
"Your training on voice agents starts now.",
instructions="Speak in a warm, measured tone.",
) as response:
response.stream_to_file(speech_file)
Το API επιστρέφει μια ροή ήχου που μπορείτε να αποθηκεύσετε απευθείας ή να μεταδώσετε σε έναν player. Χρησιμοποιήστε το with_streaming_response, όπως φαίνεται εδώ: η κλήση του stream_to_file() στο αποτέλεσμα μιας απλής speech.create() έχει καταργηθεί από το SDK, το οποίο σημειώνει ότι δεν κάνει πραγματικά ροή του ήχου.
Διαθέσιμα Μοντέλα
Τα τρία μοντέλα του Audio API έχουν καταργηθεί και θα απενεργοποιηθούν στις 6 Ιανουαρίου 2027: αυτή είναι η μεταβατική περίοδος κατά την οποία θα τα χρησιμοποιείτε ακόμη.
| Μοντέλο | Ιδιαιτερότητα | Φωνές |
|---|---|---|
gpt-4o-mini-tts | Δέχεται οδηγίες: προφορά, συναίσθημα, τονισμός, ταχύτητα, ύφος, ψίθυρος | 13 φωνές, συμπεριλαμβανομένων των marin και cedar, συνιστώνται για ποιότητα |
tts-1 | Χαμηλότερη καθυστέρηση, χαμηλότερη ποιότητα | 9 φωνές: alloy, ash, coral, echo, fable, onyx, nova, sage, shimmer |
tts-1-hd | Υψηλότερη ποιότητα από το tts-1, μεγαλύτερη καθυστέρηση | Οι ίδιες 9 φωνές |
Οι οδηγίες δεν λειτουργούν με τα tts-1 και tts-1-hd. Η παράμετρος speed, από 0.25 έως 4.0, ρυθμίζει τον ρυθμό με όλα τα μοντέλα. Σύμφωνα με τον οδηγό, οι φωνές είναι βελτιστοποιημένες για Αγγλικά: ακούστε τες στα Γαλλικά στο OpenAI.fm πριν επιλέξετε. Οι πολιτικές χρήσης της OpenAI απαιτούν επίσης να ενημερώνετε σαφώς τους χρήστες σας ότι η φωνή που ακούν παράγεται από Τεχνητή Νοημοσύνη.
Μορφές Εξόδου
Το API παράγει έξι μορφές, οι οποίες επιλέγονται με το response_format:
| Μορφή | Χρήση |
|---|---|
mp3 (προεπιλογή) | Γενική χρήση |
opus | Ροή στο διαδίκτυο και επικοινωνία, χαμηλή καθυστέρηση |
aac | Ψηφιακή συμπίεση, προτιμάται από YouTube, Android και iOS |
flac | Συμπίεση χωρίς απώλειες, για αρχειοθέτηση |
wav | Μη συμπιεσμένο, για αποφυγή κόστους αποκωδικοποίησης |
pcm | Πρώτες δείγματα στα 24 kHz, 16-bit signed, χωρίς κεφαλίδα |
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="Text to convert",
response_format=fmt,
) as response:
response.stream_to_file(f"example.{fmt}")
Για έναν φωνητικό πράκτορα χτισμένο στο Realtime API, η μορφή pcm είναι η πιο βολική: τα δείγματά της στα 24 kHz, 16-bit ταιριάζουν με τη μορφή audio/pcm του Realtime API στα 24 kHz.
Δημιουργία Ήχου σε Παρτίδες
Για μεγάλους όγκους κειμένου, επεξεργαστείτε τα τμήματα παράλληλα:
import asyncio
from openai import AsyncOpenAI
async_client = AsyncOpenAI()
async def generate_speech_batch(segments: list[dict]) -> list[bytes]:
"""Generate audio for multiple segments in parallel."""
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)
# Usage
segments = [
{"text": "Chapter one. Introduction to voice agents.", "voice": "onyx"},
{"text": "Voice agents transform human-computer interaction.", "voice": "onyx"},
{"text": "In this chapter, we'll explore the fundamentals.", "voice": "onyx"},
]
audio_chunks = asyncio.run(generate_speech_batch(segments))
# Concatenate files
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")
Όριο Χαρακτήρων και Διαχωρισμός
Το API TTS έχει όριο 4.096 χαρακτήρων ανά αίτημα. Για μεγαλύτερα κείμενα, κάντε διαχωρισμό με σύνεση:
def split_text_for_tts(text: str, max_chars: int = 4000) -> list[str]:
"""Split text into segments respecting TTS limits."""
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
Μετά τις 6 Ιανουαρίου 2027: Πώς να κάνετε ένα Μοντέλο Realtime να Μιλήσει
Η OpenAI ορίζει το gpt-realtime-2.1-mini ως αντικαταστάτη των τριών μοντέλων και προειδοποιεί: δεν είναι μοντέλο για το endpoint /v1/audio/speech· η μετάβαση αλλάζει τη ροή εργασίας. Περνάτε μέσω μιας συνεδρίας Realtime. Ο οδηγός Realtime conversations δείχνει πώς να λάβετε μια απάντηση χωρίς πλαίσιο, η οποία αγνοεί τη συνομιλία και ακολουθεί μόνο τις οδηγίες της: αυτός είναι ο τρόπος για να το κάνετε να πει ένα δεδομένο κείμενο.
import base64
import json
import os
import wave
import websocket # pip install websocket-client
TEXT = "Welcome to Corsen Academy. Your training on voice agents starts now."
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']}"],
)
# Audio output only, 16-bit PCM at 24 kHz, with chosen voice
ws.send(json.dumps({
"type": "session.update",
"session": {
"type": "realtime",
"output_modalities": ["audio"],
"audio": {"output": {"format": {"type": "audio/pcm", "rate": 24000}, "voice": "marin"}},
},
}))
# A context-free response (empty input), which must say the text as-is
ws.send(json.dumps({
"type": "response.create",
"response": {
"input": [],
"output_modalities": ["audio"],
"instructions": f"Say exactly the following text, without adding anything:\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 bits
wav.setframerate(24000)
wav.writeframes(bytes(audio))
print("Spoken text:", "".join(transcription))
Δύο διαφορές με το Audio API έχουν σημασία στην παραγωγή. Το αποτέλεσμα δεν είναι πλέον εγγυημένο λέξη προς λέξη: ένα μοντέλο Realtime ακολουθεί μια οδηγία· δεν διαβάζει ένα αρχείο. Συγκρίνετε λοιπόν τη μεταγραφή αυτού που είπε, η οποία επιστρέφεται στο response.output_audio_transcript.delta, με το αναμενόμενο κείμενο καιαναγένεράρετε αν υπάρχει ασυμφωνία. Η χρέωση αλλάζει επίσης: ακολουθεί τις τιμές του μοντέλου Realtime, σε tokens κειμένου και ήχου, που αναφέρονται στο φύλλο προδιαγραφών του. Τέλος, ένα απορριφθέν κλειδί δεν εμποδίζει τη σύνδεση: φτάνει λίγο αργότερα, σε ένα συμβάν error.
Βασικά σημεία
- Τα
gpt-4o-mini-tts,tts-1καιtts-1-hdαπενεργοποιούνται στις 6 Ιανουαρίου 2027· τοgpt-4o-mini-ttsείναι το μόνο που δέχεται οδηγίες φωνής (instructions) - Καταγράψτε ήχο με το
with_streaming_response: τοstream_to_file()σε μια απλήspeech.create()έχει καταργηθεί - Έξι μορφές εξόδου: MP3, Opus, AAC, FLAC, WAV και raw PCM
- Η μορφή PCM είναι ιδανική για ενσωμάτωση με το Realtime API
- Όριο 4.096 χαρακτήρων ανά αίτημα: διαχωρίστε τα μεγάλα κείμενα στα όρια των προτάσεων
- Η επεξεργασία σε παρτίδες με τον async client επιταχύνει τη δημιουργία μεγάλου περιεχομένου
- Η μετάβαση περνά μέσω μιας συνεδρίας Realtime με το
gpt-realtime-2.1-mini: απάντηση χωρίς πλαίσιο, ήχος PCM 24 kHz, μεταγραφή για σύγκριση με το κείμενο