An API TTS: Giniúint Urlabhra
Ar an leathanach seo
Nuashonrú 2 Samhain 2026 — Múnlaí fuaime. Tá roinnt múnlaí sa chúrsa seo curtha as feidhm: dúnfar
tts-1,tts-1-hd, agusgpt-4o-mini-ttsar 6 Eanáir 2027 (an t-ionadaí:gpt-realtime-2.1-mini, a deir treoir TTS OpenAI nach dtacaítear leis ag/v1/audio/speech: aistrítear sintéis urlabhra chuig an API Realtime); dúnfargpt-realtime,gpt-4o-realtime, agus múnlaí fuaime oidhreachta ar 20 Eanáir 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5); dúnfarwhisper-1,gpt-4o-transcribe, agus/v1/audio/translationsar 26 Feabhra 2027 (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). Maidir le guth lán-dúbailte, tá GPT-Live 1 ar fáil san API ón 10 Meán Fómhair 2026. Ceartaithe an cheacht ar 3 Samhain 2026: táresponse.stream_to_file()ar thoradhspeech.create()curtha as feidhm ag an SDK (“Mar gheall ar fhabht, ní dhéanann an modh seo sruthú i ndáiríre”) → úsáidwith_streaming_response, mar atá sa treoir oifigiúil; nuashonraíodh múnlaí agus guthanna (gpt-4o-mini-ttsagus a threoracha gutha, 13 ghuth lena n-áirítearmarinaguscedar); cuireadh alt nua leis faoi aistriú chuiggpt-realtime-2.1-miniroimh 6 Eanáir 2027, bunaithe ar an treoir Realtime conversations. Foinse: Text to speech · Create speech · Realtime conversations · Deprecations.
An API TTS: Giniúint Urlabhra
Déanann API Text-to-Speech (TTS) OpenAI téacs a thiontú go fuaime ardchaighdeáin. Murab ionann agus an API Realtime, a láimhseálann comhráite gutha iomlána, is seirbhís aon-uaire í an API TTS: seolann tú téacs, agus faigheann tú comhad fuaime. Is é an uirlis idéalach é chun fógraí, fógraí gutha, leabhair chlosleabhair, nó ábhar inrochtana a ghiniúint.
Do Chéad Ghla TTS
Tá giniúint urlabhra thar a bheith simplí:
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)
Tilleann an API sruth fuaime is féidir leat a shábháil go díreach nó a shruthú chuig seinnteoir. Úsáid with_streaming_response, mar a thaispeántar anseo: tá gla stream_to_file() ar thoradh speech.create() simplí curtha as feidhm ag an SDK, a thugann le fios nach ndéanann sé an fhuaim a shruthú i ndáiríre.
Múnlaí atá Ar Fáil
Tá na trí mhúnla API Fuaime curtha as feidhm agus dúnfar iad ar 6 Eanáir 2027: seo an tréimhse aistrithe ina mbeidh tú fós á n-úsáid.
| Múnla | Sonraíocht | Guthanna |
|---|---|---|
gpt-4o-mini-tts | Glacann le treoracha: canúint, mothúchán, intanú, luas, tón, cogarnaíocht | 13 ghuth, lena n-áirítear marin agus cedar, molta don cháilíocht |
tts-1 | Latency níos ísle, cáilíocht níos ísle | 9 nguth: alloy, ash, coral, echo, fable, onyx, nova, sage, shimmer |
tts-1-hd | Cáilíocht níos airde ná tts-1, latency níos airde | Na 9 nguth chéanna |
Ní oibríonn treoracha le tts-1 ná tts-1-hd. Coigeartaíonn an paraiméadar speed, ó 0.25 go 4.0, an ráta le gach múnla. De réir na treorach, tá guthanna optamaithe don Bhéarla: éist leo i bhFraincis ar OpenAI.fm sula roghnaíonn tú. Éilíonn polasaithe úsáide OpenAI freisin go gcuirfidh tú d’úsáideoirí ar an eolas go soiléir gur guth ginte ag AI atá á chloisteáil acu.
Formáidí Aschuir
Táirgeann an API sé fhormáid, roghnaítear iad le response_format:
| Formáid | Úsáid |
|---|---|
mp3 (réamhshocraithe) | Úsáid ghinearálta |
opus | Sruthú idirlín agus cumarsáid, latency íseal |
aac | Comhbhrú digiteach, preferred ag YouTube, Android, agus iOS |
flac | Comhbhrú gan chaillteanas, le haghaidh cartlainne |
wav | Gan chomhbhrú, chun ualach díchódaithe a sheachaint |
pcm | Samplaí amha ag 24 kHz, 16-bitearna sínithe, gan cheanntásc |
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}")
Do ghníomhaire gutha tógtha ar an API Realtime, is é an fhormáid pcm an ceann is oiriúnaí: meaitseálann a shamplaí 24 kHz, 16-bitearna formáid audio/pcm an API Realtime ag 24 kHz.
Fuaime a Ghiniúint i mBaitseanna
Le haghaidh toirteanna móra téacs, próiseáil deighleoga go comhthreomhar:
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")
Teorainn Carachtar agus Scoilteadh
Tá teorainn 4,096 carachtar in aghaidh na hiarratais ag an API TTS. Le haghaidh téacsanna níos faide, scoilt go cliste:
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
Tar éis 6 Eanáir 2027: Múnla Realtime a Chur ag Labhairt
Aithníonn OpenAI gpt-realtime-2.1-mini mar an t-ionadaí do na trí mhúnla, agus rabhaidh sé: ní múnla é don chríochphointe /v1/audio/speech; athraíonn an t-aistriú an sruth oibre. Téann tú trí sheisiún Realtime. Taispeánann an treoir Realtime conversations conas freagra a fháil gan comhthéacs, rud a dhéanann neamhaird den chomhrá agus a leanann ach a threoracha féin: seo an bealach chun téacs ar leith a rá leis.
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))
Tá dhá dhifríocht leis an API Fuaime tábhachtach sa táirgeadh. Ní thugtar ráite focal ar fhocal a thuilleadh: leanann múnla Realtime treoir; ní léann sé comhad. Mar sin, déan comparáid idir an tras-scríbhinn de na chuala sé, a fhilltear in response.output_audio_transcript.delta, agus an téacs a bhí ag teastáil, agus athghin má tá mí-mheaitseáil ann. Athraíonn an billeáil freisin: leanann sé rátaí an mhúnla Realtime, i dtéarmaí téacs agus fuaime, atá liostaithe ar a bhileog sonraíochta. Ar deireadh, ní chuireann eochair dhiúltaithe cosc ar an nasc: tagann sé díreach ina dhiaidh sin, in imeacht error.
Príomhphointí
- Dúnfar
gpt-4o-mini-tts,tts-1, agustts-1-hdar 6 Eanáir 2027; is égpt-4o-mini-ttsan t-aon cheann a ghlacann le treoracha gutha (instructions) - Taifead fuaime le
with_streaming_response: tástream_to_file()arspeech.create()simplí curtha as feidhm - Sé fhormáid aschuir: MP3, Opus, AAC, FLAC, WAV, agus PCM amh
- Is idéalach an fhormáid PCM le haghaidh comhtháthú leis an API Realtime
- Teorainn 4,096 carachtar in aghaidh na hiarratais: scoilt téacsanna fada ag teorainneacha abairtí
- Luasaíonn próiseáil bhaitse leis an gcliant async giniúint ábhair mhóir
- Téann an t-aistriú trí sheisiún Realtime le
gpt-realtime-2.1-mini: freagra gan chomhthéacs, fuaime PCM 24 kHz, tras-scríbhinn le comparáid a dhéanamh leis an téacs