API TTS: Generiranje govora
Na ovoj stranici
Ažuriranje 2. studenoga 2026. — Audio modeli. Nekoliko modela u ovom tečaju je zastarjelo:
tts-1,tts-1-hdigpt-4o-mini-ttsbit će ugašeni 6. siječnja 2027. (nasljednik:gpt-realtime-2.1-mini, za koji OpenAI TTS vodič navodi da nije podržan od strane/v1/audio/speech: migracija sinteze govora prelazi na Realtime API);gpt-realtime,gpt-4o-realtimei stariji audio modeli 20. siječnja 2027. (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribei/v1/audio/translations26. veljače 2027. (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). Za full-duplex glas, GPT-Live 1 dostupan je u API-ju od 10. rujna 2026. Lekcija ispravljena 3. studenoga 2026.:response.stream_to_file()na rezultatuspeech.create()je zastarjelo u SDK-u („Zbog greške, ova metoda zapravo ne strimira“) → koristiwith_streaming_response, kao u službenom vodiču; modeli i glasovi ažurirani (gpt-4o-mini-ttsi njegove upute za glas, 13 glasova uključujućimarinicedar); novi odjeljak o migraciji nagpt-realtime-2.1-miniprije 6. siječnja 2027., na temelju vodiča Realtime conversations. Izvori: Text to speech · Create speech · Realtime conversations · Deprecations.
API TTS: Generiranje govora
OpenAI-jev API za tekst-u-govor (TTS) pretvara tekst u visokokvalitetni audio zapis. Za razliku od Realtime API-ja koji upravlja cjelovitim glasovnim razgovorima, TTS API je usluga jednokratnog poziva: šalješ tekst i primaš audio datoteku. Idealno je rješenje za generiranje najava, glasovnih obavijesti, audioknjiga ili sadržaja prilagođenog osobama s invaliditetom.
Tvoj prvi TTS poziv
Generiranje govora iznimno je jednostavno:
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="Dobrodošli u Corsen Academy. "
"Vaša obuka o glasovnim agentima počinje sada.",
instructions="Govori toplim, odmjeranim tonom.",
) as response:
response.stream_to_file(speech_file)
API vraća audio stream koji možeš izravno spremiti ili strimirati na player. Koristi with_streaming_response, kao što je ovdje prikazano: pozivanje stream_to_file() na rezultatu običnog speech.create() je zastarjelo u SDK-u, koji napominje da to zapravo ne strimira audio zapis.
Dostupni modeli
Tri modela Audio API-ja su zastarjela i bit će ugašena 6. siječnja 2027.: ovo je prijelazno razdoblje tijekom kojeg ih još uvijek možeš koristiti.
| Model | Specifičnost | Glasovi |
|---|---|---|
gpt-4o-mini-tts | Prihvaća upute: naglasak, emocija, intonacija, brzina, ton, šaputanje | 13 glasova, uključujući marin i cedar, preporučeni za kvalitetu |
tts-1 | Manja latencija, niža kvaliteta | 9 glasova: alloy, ash, coral, echo, fable, onyx, nova, sage, shimmer |
tts-1-hd | Viša kvaliteta od tts-1, veća latencija | Istih 9 glasova |
Upute ne funkcioniraju s tts-1 i tts-1-hd. Parametar speed, od 0.25 do 4.0, prilagođava brzinu kod svih modela. Prema vodiču, glasovi su optimizirani za engleski jezik: poslušaj ih na francuskom na OpenAI.fm prije odabira. OpenAI-jeva pravila korištenja također zahtijevaju da jasno obavijestiš svoje korisnike da je glas koji čuju generiran umjetnom inteligencijom.
Izlazni formati
API proizvodi šest formata, odabranih pomoću response_format:
| Format | Upotreba |
|---|---|
mp3 (zadano) | Opća upotreba |
opus | Internet strimanje i komunikacija, niska latencija |
aac | Digitalna kompresija, preferiraju YouTube, Android i iOS |
flac | Kompresija bez gubitaka, za arhiviranje |
wav | Nekompresirano, za izbjegavanje opterećenja dekodiranjem |
pcm | Sirovi uzorci na 24 kHz, 16-bitni signed, bez zaglavlja |
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="Tekst za pretvorbu",
response_format=fmt,
) as response:
response.stream_to_file(f"example.{fmt}")
Za glasovnog agenta izgrađenog na Realtime API-ju, format pcm je najprikladniji: njegovi uzorci od 24 kHz, 16-bitni odgovaraju audio/pcm formatu Realtime API-ja na 24 kHz.
Generiranje audija u serijama
Za velike količine teksta, obradi segmente paralelno:
import asyncio
from openai import AsyncOpenAI
async_client = AsyncOpenAI()
async def generate_speech_batch(segments: list[dict]) -> list[bytes]:
"""Generiraj audio za više segmenta paralelno."""
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)
# Upotreba
segments = [
{"text": "Poglavlje jedno. Uvod u glasovne agente.", "voice": "onyx"},
{"text": "Glasovni agenti transformiraju interakciju čovjek-računalo.", "voice": "onyx"},
{"text": "U ovom poglavlju istražit ćemo osnove.", "voice": "onyx"},
]
audio_chunks = asyncio.run(generate_speech_batch(segments))
# Spajanje datoteka
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")
Ograničenje broja znakova i dijeljenje
TTS API ima ograničenje od 4.096 znakova po zahtjevu. Za duže tekstove, pametno ih podijeli:
def split_text_for_tts(text: str, max_chars: int = 4000) -> list[str]:
"""Podijeli tekst na segmente poštujući TTS ograničenja."""
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
Nakon 6. siječnja 2027.: Kako natjerati Realtime model da govori
OpenAI označava gpt-realtime-2.1-mini kao zamjenu za tri modela i upozorava: to nije model za krajnju točku /v1/audio/speech; migracija mijenja radni tijek. Prolaziš kroz Realtime sesiju. Vodič Realtime conversations pokazuje kako dobiti odgovor bez konteksta, koji ignorira razgovor i slijedi samo svoje upute: to je način da ga natjeraš da izgovori zadani tekst.
import base64
import json
import os
import wave
import websocket # pip install websocket-client
TEXT = "Dobrodošli u Corsen Academy. Vaša obuka o glasovnim agentima počinje sada."
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']}"],
)
# Samo audio izlaz, 16-bitni PCM na 24 kHz, s odabranim glasom
ws.send(json.dumps({
"type": "session.update",
"session": {
"type": "realtime",
"output_modalities": ["audio"],
"audio": {"output": {"format": {"type": "audio/pcm", "rate": 24000}, "voice": "marin"}},
},
}))
# Odgovor bez konteksta (prazan ulaz), koji mora izgovoriti tekst točno kako jest
ws.send(json.dumps({
"type": "response.create",
"response": {
"input": [],
"output_modalities": ["audio"],
"instructions": f"Izgovori točno sljedeći tekst, bez dodavanja bilo čega:\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 bita
wav.setframerate(24000)
wav.writeframes(bytes(audio))
print("Izgovoreni tekst:", "".join(transcription))
Dvije razlike s Audio API-jem važne su u proizvodnji. Rezultat više nije zajamčen riječ-po-riječ: Realtime model slijedi uputu; ne čita datoteku. Stoga usporedi transkripciju onoga što je rekao, vraćenu u response.output_audio_transcript.delta, s očekivanim tekstom i ponovno generiraj ako postoji neusklađenost. Naplata se također mijenja: slijedi tarife Realtime modela, u tokenima teksta i audija, navedene u njegovom specifikacijskom listu. Konačno, odbijeni ključ ne sprječava povezivanje: on stiže tek nakon toga, u događaju error.
Ključne točke
gpt-4o-mini-tts,tts-1itts-1-hdgasi se 6. siječnja 2027.;gpt-4o-mini-ttsje jedini koji prihvaća upute za glas (instructions)- Snimaj audio s
with_streaming_response:stream_to_file()na običnomspeech.create()je zastarjelo - Šest izlaznih formata: MP3, Opus, AAC, FLAC, WAV i sirovi PCM
- PCM format je idealan za integraciju s Realtime API-jem
- Ograničenje od 4.096 znakova po zahtjevu: podijeli duge tekstove na granicama rečenica
- Obrada u serijama s async klijentom ubrzava generiranje velikog sadržaja
- Migracija prolazi kroz Realtime sesiju s
gpt-realtime-2.1-mini: odgovor bez konteksta, 24 kHz PCM audio, transkripcija za usporedbu s tekstom