Léim go dtí an príomhábhar
Gaeilge— Roghnaigh teanga
Roghchlár

An API TTS: Giniúint Urlabhra

Ceacht 10 as 18 Nuashonraithe 3 Samhain 2026 Forbróir
Ar an leathanach seo
  1. An API TTS: Giniúint Urlabhra
  2. Do Chéad Ghla TTS
  3. Múnlaí atá Ar Fáil
  4. Formáidí Aschuir
  5. Fuaime a Ghiniúint i mBaitseanna
  6. Teorainn Carachtar agus Scoilteadh
  7. Tar éis 6 Eanáir 2027: Múnla Realtime a Chur ag Labhairt
  8. Príomhphointí

Nuashonrú 2 Samhain 2026 — Múnlaí fuaime. Tá roinnt múnlaí sa chúrsa seo curtha as feidhm: dúnfar tts-1, tts-1-hd, agus gpt-4o-mini-tts ar 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); dúnfar gpt-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); dúnfar whisper-1, gpt-4o-transcribe, agus /v1/audio/translations ar 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: tá response.stream_to_file() ar thoradh speech.create() curtha as feidhm ag an SDK (“Mar gheall ar fhabht, ní dhéanann an modh seo sruthú i ndáiríre”) → úsáid with_streaming_response, mar atá sa treoir oifigiúil; nuashonraíodh múnlaí agus guthanna (gpt-4o-mini-tts agus a threoracha gutha, 13 ghuth lena n-áirítear marin agus cedar); cuireadh alt nua leis faoi aistriú chuig gpt-realtime-2.1-mini roimh 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.

MúnlaSonraíochtGuthanna
gpt-4o-mini-ttsGlacann le treoracha: canúint, mothúchán, intanú, luas, tón, cogarnaíocht13 ghuth, lena n-áirítear marin agus cedar, molta don cháilíocht
tts-1Latency níos ísle, cáilíocht níos ísle9 nguth: alloy, ash, coral, echo, fable, onyx, nova, sage, shimmer
tts-1-hdCáilíocht níos airde ná tts-1, latency níos airdeNa 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:

FormáidÚsáid
mp3 (réamhshocraithe)Úsáid ghinearálta
opusSruthú idirlín agus cumarsáid, latency íseal
aacComhbhrú digiteach, preferred ag YouTube, Android, agus iOS
flacComhbhrú gan chaillteanas, le haghaidh cartlainne
wavGan chomhbhrú, chun ualach díchódaithe a sheachaint
pcmSamplaí 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, agus tts-1-hd ar 6 Eanáir 2027; is é gpt-4o-mini-tts an t-aon cheann a ghlacann le treoracha gutha (instructions)
  • Taifead fuaime le with_streaming_response: tá stream_to_file() ar speech.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