TTS-API: Puheen tuottaminen
Tällä sivulla
Päivitys 2. marraskuuta 2026 — Äänimallit. Useat tämän kurssin malleista on vanhentunut:
tts-1,tts-1-hdjagpt-4o-mini-ttspoistuvat käytöstä 6. tammikuuta 2027 (korvaaja:gpt-realtime-2.1-mini, jonka OpenAI:n TTS-opas ilmoittaa ei tukevan päätepistettä/v1/audio/speech: puheensynteesin siirtyminen tapahtuu Realtime API:n kautta);gpt-realtime,gpt-4o-realtimeja vanhat äänimallit 20. tammikuuta 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribeja/v1/audio/translations26. helmikuuta 2027 (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). Täysdupleksista ääntä varten GPT-Live 1 on ollut saatavilla API:ssa 10. syyskuuta 2026 lähtien. Tuntia korjattu 3. marraskuuta 2026:response.stream_to_file()metodin käyttöspeech.create()-tulokselle on vanhentunut SDK:ssa (“Vian vuoksi tämä metodi ei itse asiassa suoratoista”) → käytäwith_streaming_response-metodia virallisen oppaan mukaisesti; malleja ja ääniä päivitetty (gpt-4o-mini-ttsja sen ääniohjeet, 13 ääntä mukaan lukienmarinjacedar); uusi osio siirtymisestä malliingpt-realtime-2.1-miniennen 6. tammikuuta 2027 perustuen Realtime conversations -oppaaseen. Lähteet: Text to speech · Create speech · Realtime conversations · Deprecations.
TTS-API: Puheen tuottaminen
OpenAI:n Text-to-Speech (TTS) -API muuntaa tekstin korkealaatuiseksi ääneksi. Toisin kuin Realtime API, joka hallitsee kokonaisia äänikeskusteluja, TTS-API on kertaluonteinen palvelu: lähetät tekstiä ja vastaanotat äänitiedoston. Se on ihanteellinen työkalu kuulutusten, ääni-ilmoitusten, äänikirjojen tai saavutettavan sisällön tuottamiseen.
Ensimmäinen TTS-kutsusi
Puheen tuottaminen on huomattavan yksinkertaista:
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="Tervetuloa Corsen Academyyn. "
"Koulutuksesi ääniagenteista alkaa nyt.",
instructions="Puhu lämpimällä ja mitatulla sävyllä.",
) as response:
response.stream_to_file(speech_file)
API palauttaa äänivirran, jonka voit joko tallentaa suoraan tai suoratoistaa soittimeen. Käytä with_streaming_response-metodia kuten tässä esitetään: metodin stream_to_file() kutsuminen tavallisen speech.create()-tuloksen päällä on vanhentunut SDK:ssa, joka huomauttaa, ettei se itse asiassa suoratoista ääntä.
Käytettävissä olevat mallit
Kolme Audio API -mallia on vanhentunut ja ne poistuvat käytöstä 6. tammikuuta 2027: tämä on siirtymäkausi, jonka aikana niitä voi vielä käyttää.
| Malli | Erityispiirre | Äänet |
|---|---|---|
gpt-4o-mini-tts | Hyväksyy ohjeet: aksentti, tunne, intonaatio, nopeus, sävy, kuiskaus | 13 ääntä, mukaan lukien marin ja cedar, suositeltu laadun vuoksi |
tts-1 | Matalampi viive, heikompi laatu | 9 ääntä: alloy, ash, coral, echo, fable, onyx, nova, sage, shimmer |
tts-1-hd | Korkeampi laatu kuin tts-1, suurempi viive | Samat 9 ääntä |
Ohjeet eivät toimi malleilla tts-1 ja tts-1-hd. Parametri speed, arvoilla 0,25–4,0, säätää nopeutta kaikilla malleilla. Oppaan mukaan äänet on optimoitu englannille: kuuntele niitä ranskaksi osoitteessa OpenAI.fm ennen valintaa. OpenAI:n käyttöehdot vaativat myös, että ilmoitat käyttäjillesi selkeästi kuulevansa tekoälyn tuottaman äänen.
Tulostusmuodot
API tuottaa kuusi muotoa, jotka valitaan parametrilla response_format:
| Muoto | Käyttö |
|---|---|
mp3 (oletus) | Yleiskäyttö |
opus | Internet-suoratoisto ja viestintä, matala viive |
aac | Digitaalinen pakkaus, YouTube, Android ja iOS suosivat |
flac | Häviötön pakkaus, arkistointiin |
wav | Pakkaamaton, välttää purkuviiveen |
pcm | Raakatiedot 24 kHz, 16-bittinen etumerkillinen, ei otsikkoa |
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="Muunnettava teksti",
response_format=fmt,
) as response:
response.stream_to_file(f"example.{fmt}")
Realtime API:hun perustuvalle ääniagentille muoto pcm on kätevin: sen 24 kHz, 16-bittiset näytteet vastaavat Realtime API:n audio/pcm-muotoa taajuudella 24 kHz.
Äänen tuottaminen erissä
Suurille tekstivolyymeille käsittele segmentit rinnakkain:
import asyncio
from openai import AsyncOpenAI
async_client = AsyncOpenAI()
async def generate_speech_batch(segments: list[dict]) -> list[bytes]:
"""Tuota ääni useille segmenteille rinnakkain."""
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)
# Käyttö
segments = [
{"text": "Luku yksi. Johdanto ääniagentteihin.", "voice": "onyx"},
{"text": "Ääniagentit muuttavat ihmisen ja tietokoneen välistä vuorovaikutusta.", "voice": "onyx"},
{"text": "Tässä luvussa tutkimme perusteita.", "voice": "onyx"},
]
audio_chunks = asyncio.run(generate_speech_batch(segments))
# Yhdistä tiedostot
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")
Merkkirajoitus ja jakaminen
TTS-API:ssa on raja 4 096 merkkiä pyyntöä kohden. Pidemmille teksteille jaa ne älykkäästi:
def split_text_for_tts(text: str, max_chars: int = 4000) -> list[str]:
"""Jaa teksti segmentteihin kunnioittaen TTS-rajoituksia."""
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
6. tammikuuta 2027 jälkeen: Realtime-mallin puhuttaminen
OpenAI nimeää gpt-realtime-2.1-mini:n korvaajaksi kolmelle mallille ja varoittaa: se ei ole malli päätepisteelle /v1/audio/speech; migraatio muuttaa työkulkua. Siirryt Realtime-istunnon kautta. Realtime conversations -opas näyttää, miten saada vastaus ilman kontekstia, mikä ignoroi keskustelun ja seuraa vain sen ohjeita: näin saat sen sanomaan annetun tekstin.
import base64
import json
import os
import wave
import websocket # pip install websocket-client
TEXT = "Tervetuloa Corsen Academyyn. Koulutuksesi ääniagenteista alkaa nyt."
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']}"],
)
# Vain äänilähtö, 16-bittinen PCM 24 kHz, valitulla äänellä
ws.send(json.dumps({
"type": "session.update",
"session": {
"type": "realtime",
"output_modalities": ["audio"],
"audio": {"output": {"format": {"type": "audio/pcm", "rate": 24000}, "voice": "marin"}},
},
}))
# Kontekstiton vastaus (tyhjä syöte), jonka tulee sanoa teksti sellaisenaan
ws.send(json.dumps({
"type": "response.create",
"response": {
"input": [],
"output_modalities": ["audio"],
"instructions": f"Sano tarkasti seuraava teksti lisäämättä mitään:\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 bittiä
wav.setframerate(24000)
wav.writeframes(bytes(audio))
print("Puhuttu teksti:", "".join(transcription))
Kaksi eroa Audio API:hun ovat merkittäviä tuotannossa. Tulosta ei enää taata sanasta sanaan: Realtime-malli seuraa ohjetta; se ei lue tiedostoa. Vertaa siis sen puhuman tekstin transkriptiota, joka palautetaan kohdassa response.output_audio_transcript.delta, odotettuun tekstiin ja generoi uudelleen, jos on epäsuhta. Laskutus muuttuu myös: se seuraa Realtime-mallin hintoja teksti- ja äänitokeneissa, jotka on lueteltu sen tekniset tiedot -sivulla. Lopuksi, hylätty avain ei estä yhteyden muodostamista: se saapuu vasta sen jälkeen error-tapahtumana.
Keskeiset asiat
gpt-4o-mini-tts,tts-1jatts-1-hdpoistuvat käytöstä 6. tammikuuta 2027;gpt-4o-mini-ttson ainoa, joka hyväksyy ääniohjeet (instructions)- Tallenna ääni käyttämällä
with_streaming_response:stream_to_file()tavallisellespeech.create()-tulokselle on vanhentunut - Kuusi tulostusmuotoa: MP3, Opus, AAC, FLAC, WAV ja raaka PCM
- PCM-muoto on ihanteellinen integrointiin Realtime API:n kanssa
- 4 096 merkin raja pyyntöä kohden: jaa pitkät tekstit lauseiden rajoista
- Eräkäsittely asynkronisella asiakkaalla nopeuttaa suurten sisältöjen tuottamista
- Migraatio tapahtuu Realtime-istunnon kautta mallilla
gpt-realtime-2.1-mini: kontekstiton vastaus, 24 kHz PCM-ääni, transkriptio vertailtavaksi tekstiin