Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Το API TTS: Δημιουργία Ομιλίας

Μάθημα 10 / 18 Ενημερώθηκε 3 Νοεμβρίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Το API TTS: Δημιουργία Ομιλίας
  2. Η Πρώτη σας Κλήση TTS
  3. Διαθέσιμα Μοντέλα
  4. Μορφές Εξόδου
  5. Δημιουργία Ήχου σε Παρτίδες
  6. Όριο Χαρακτήρων και Διαχωρισμός
  7. Μετά τις 6 Ιανουαρίου 2027: Πώς να κάνετε ένα Μοντέλο Realtime να Μιλήσει
  8. Βασικά σημεία

Ενημέρωση 2 Νοεμβρίου 2026 — Μοντέλα ήχου. Αρκετά μοντέλα σε αυτό το μάθημα έχουν καταργηθεί: τα tts-1, tts-1-hd και gpt-4o-mini-tts θα 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)· τα gpt-realtime, gpt-4o-realtime και τα παλαιότερα μοντέλα ήχου στις 20 Ιανουαρίου 2027 (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5)· τα whisper-1, gpt-4o-transcribe και το /v1/audio/translations στις 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 μέθοδος response.stream_to_file() στο αποτέλεσμα του speech.create() έχει καταργηθεί από το SDK («Λόγω σφάλματος, αυτή η μέθοδος δεν κάνει πραγματικά ροή») → χρησιμοποιήστε το with_streaming_response, όπως στον επίσημο οδηγό· ενημερώθηκαν τα μοντέλα και οι φωνές (gpt-4o-mini-tts και οι οδηγίες φωνής του, 13 φωνές συμπεριλαμβανομένων των marin και cedar)· νέα ενότητα για τη μετάβαση στο gpt-realtime-2.1-mini πριν 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.

ΜοντέλοΙδιαιτερότηταΦωνές
gpt-4o-mini-ttsΔέχεται οδηγίες: προφορά, συναίσθημα, τονισμός, ταχύτητα, ύφος, ψίθυρος13 φωνές, συμπεριλαμβανομένων των marin και cedar, συνιστώνται για ποιότητα
tts-1Χαμηλότερη καθυστέρηση, χαμηλότερη ποιότητα9 φωνές: alloy, ash, coral, echo, fable, onyx, nova, sage, shimmer
tts-1-hdΥψηλότερη ποιότητα από το tts-1, μεγαλύτερη καθυστέρησηΟι 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:

ΜορφήΧρήση
mp3 (προεπιλογή)Γενική χρήση
opusΡοή στο διαδίκτυο και επικοινωνία, χαμηλή καθυστέρηση
aacΨηφιακή συμπίεση, προτιμάται από YouTube, Android και iOS
flacΣυμπίεση χωρίς απώλειες, για αρχειοθέτηση
wavΜη συμπιεσμένο, για αποφυγή κόστους αποκωδικοποίησης
pcmΠρώτες 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-1 και tts-1-hd απενεργοποιούνται στις 6 Ιανουαρίου 2027· το gpt-4o-mini-tts είναι το μόνο που δέχεται οδηγίες φωνής (instructions)
  • Καταγράψτε ήχο με το with_streaming_response: το stream_to_file() σε μια απλή speech.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