Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

A TTS API: Beszéd előállítása

10. lecke 18 közül Frissítve 2026. november 3. Fejlesztő
Ezen az oldalon
  1. A TTS API: Beszéd előállítása
  2. Az első TTS hívásod
  3. Elérhető modellek
  4. Kimeneti formátumok
  5. Hanganyag generálása kötegekben
  6. Karakterkorlát és felosztás
  7. 2027. január 6. után: Egy Realtime modell megszólaltatása
  8. Főbb megállapítások

Frissítés: 2026. november 2. – Hangmodellek. A tanfolyam több modellje elavult: a tts-1, tts-1-hd és a gpt-4o-mini-tts leáll 2027. január 6-án (utód: gpt-realtime-2.1-mini, amelyet az OpenAI TTS útmutatója szerint nem támogat a /v1/audio/speech: a beszédszintézis migrációja a Realtime API-ra helyeződik át); a gpt-realtime, gpt-4o-realtime és a régi hangmodellek 2027. január 20-án (gpt-realtime-2.1, gpt-realtime-2.1-mini, gpt-audio-1.5); a whisper-1, gpt-4o-transcribe és a /v1/audio/translations 2027. február 26-án (gpt-transcribe, gpt-live-transcribe, v1/realtime/translations). A teljes duplex hangkommunikációhoz a GPT-Live 1 már 2026. szeptember 10. óta elérhető az API-ban. A lecke javítva: 2026. november 3. A speech.create() eredményén hívott response.stream_to_file() elavult az SDK szerint („Egy hiba miatt ez a módszer valójában nem streamel“) → használd a with_streaming_response lehetőséget, ahogy a hivatalos útmutató is javasolja; modellek és hangok frissítve (gpt-4o-mini-tts és annak hangutasításai, 13 hang, köztük a marin és a cedar); új szakasz a gpt-realtime-2.1-mini modellre való átállásról 2027. január 6. előtt, a Realtime conversations útmutató alapján. Források: Text to speech · Create speech · Realtime conversations · Deprecations.

A TTS API: Beszéd előállítása

Az OpenAI Text-to-Speech (TTS) API-ja szöveget alakít át kiváló minőségű hanganyaggá. Ellentétben a Realtime API-val, amely teljes hangalapú beszélgetéseket kezel, a TTS API egy egyszeri szolgáltatás: szöveget küldesz, és hangfájlt kapsz vissza. Ideális eszköz bejelentések, hangértesítések, hangoskönyvek vagy akadálymentesített tartalmak generálásához.

Az első TTS hívásod

A beszéd előállítása rendkívül egyszerű:

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="Üdvözöllek a Corsen Academy-n. "
          "Most kezdődik a hangügynökökről szóló képzésed.",
    instructions="Beszélj meleg, mérlegelt hangnemben.",
) as response:
    response.stream_to_file(speech_file)

Az API egy hangstreamet ad vissza, amelyet közvetlenül elmenthetsz, vagy lejátszóba streamelhetsz. Használd a with_streaming_response lehetőséget, ahogy itt látható: a sima speech.create() eredményén hívott stream_to_file() elavult az SDK szerint, amely megjegyzi, hogy ez valójában nem streameli a hangot.

Elérhető modellek

A három Audio API modell elavult, és 2027. január 6-án leáll: ez az az átmeneti időszak, amikor még használhatod őket.

ModellSajátosságHangok
gpt-4o-mini-ttsElfogad utasításokat: hangsúly, érzelem, hanglejtés, sebesség, hangnem, suttogás13 hang, köztük a marin és a cedar, minőség szempontjából ajánlott
tts-1Alacsonyabb késleltetés, alacsonyabb minőség9 hang: alloy, ash, coral, echo, fable, onyx, nova, sage, shimmer
tts-1-hdMagasabb minőség, mint a tts-1, nagyobb késleltetésUgyanaz a 9 hang

Az utasítások nem működnek a tts-1 és tts-1-hd modellekkel. A speed paraméter, 0,25 és 4,0 között, az összes modellnél állítja a sebességet. Az útmutató szerint a hangok angol nyelvre vannak optimalizálva: mielőtt választasz, hallgasd meg őket franciául az OpenAI.fm oldalon. Az OpenAI használati szabályzata előírja továbbá, hogy egyértelműen tájékoztasd felhasználóidat arról, hogy a hallott hangot mesterséges intelligencia generálta.

Kimeneti formátumok

Az API hat formátumot állít elő, amelyeket a response_format paraméterrel választhatsz ki:

FormátumHasználat
mp3 (alapértelmezett)Általános használat
opusInternetes streamelés és kommunikáció, alacsony késleltetés
aacDigitális tömörítés, a YouTube, Android és iOS preferálja
flacVeszteségmentes tömörítés, archiváláshoz
wavTömörítetlen, a dekódolási overhead elkerülésére
pcmNyers minták 24 kHz-en, 16 bites előjeles, fejléc nélkül
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="Átalakítandó szöveg",
        response_format=fmt,
    ) as response:
        response.stream_to_file(f"example.{fmt}")

Egy Realtime API-ra épülő hangügynök esetén a pcm formátum a legkényelmesebb: 24 kHz-es, 16 bites mintái megegyeznek a Realtime API 24 kHz-es audio/pcm formátumával.

Hanganyag generálása kötegekben

Nagy mennyiségű szöveg esetén dolgozd fel a szegmenseket párhuzamosan:

import asyncio
from openai import AsyncOpenAI

async_client = AsyncOpenAI()

async def generate_speech_batch(segments: list[dict]) -> list[bytes]:
    """Hang előállítása több szegmenshez párhuzamosan."""
    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)

# Használat
segments = [
    {"text": "Első fejezet. Bevezetés a hangügynökök világába.", "voice": "onyx"},
    {"text": "A hangügynökök átalakítják az ember-számítógép interakciót.", "voice": "onyx"},
    {"text": "Ebben a fejezetben az alapokat vizsgáljuk meg.", "voice": "onyx"},
]

audio_chunks = asyncio.run(generate_speech_batch(segments))

# Fájlok összefűzése
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")

Karakterkorlát és felosztás

A TTS API kérésenként 4096 karakteres korláttal rendelkezik. Hosszabb szövegeknél osszd fel őket intelligensen:

def split_text_for_tts(text: str, max_chars: int = 4000) -> list[str]:
    """Szöveg felosztása szegmensekre a TTS korlátainak betartásával."""
    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

2027. január 6. után: Egy Realtime modell megszólaltatása

Az OpenAI a gpt-realtime-2.1-mini modellt jelöli ki a három modell utódjaként, és figyelmeztet: ez nem modell a /v1/audio/speech végponthoz; a migráció megváltoztatja a munkafolyamatot. Egy Realtime munkameneten keresztül kell haladnod. A Realtime conversations útmutató bemutatja, hogyan kaphatsz választ kontextus nélkül, ami figyelmen kívül hagyja a beszélgetést, és csak az utasításokat követi: ez a módja annak, hogy kimondass vele egy adott szöveget.

import base64
import json
import os
import wave

import websocket  # pip install websocket-client

TEXT = "Üdvözöllek a Corsen Academy-n. Most kezdődik a hangügynökökről szóló képzésed."

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']}"],
)

# Csak hangkimenet, 16 bites PCM 24 kHz-en, választott hanggal
ws.send(json.dumps({
    "type": "session.update",
    "session": {
        "type": "realtime",
        "output_modalities": ["audio"],
        "audio": {"output": {"format": {"type": "audio/pcm", "rate": 24000}, "voice": "marin"}},
    },
}))

# Kontextus nélküli válasz (üres bemenet), amelynek pontosan ezt a szöveget kell kimondania
ws.send(json.dumps({
    "type": "response.create",
    "response": {
        "input": [],
        "output_modalities": ["audio"],
        "instructions": f"Mondjad ki pontosan a következő szöveget, semmit sem hozzáadva:\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 bit
    wav.setframerate(24000)
    wav.writeframes(bytes(audio))
print("Kimondott szöveg:", "".join(transcription))

Két különbség az Audio API-hoz képest fontos a production környezetben. Az eredmény már nem garantált szóról szóra: egy Realtime modell egy utasítást követ; nem olvas fel egy fájlt. Hasonlítsd tehát össze a response.output_audio_transcript.delta által visszaadott átírást a várt szöveggel, és generáld újra, ha eltérés van. A számlázás is megváltozik: az a Realtime modell díjszabását követi, szöveg- és hangtokenek alapján, amely a specifikációs lapján szerepel. Végül, egy elutasított kulcs nem akadályozza meg a kapcsolódást: ez csak utóbb következik be, egy error eseményben.

Főbb megállapítások

  • A gpt-4o-mini-tts, tts-1 és tts-1-hd modellek leállnak 2027. január 6-án; a gpt-4o-mini-tts az egyetlen, amely elfogad hangutasításokat (instructions)
  • A hang rögzítéséhez használd a with_streaming_response lehetőséget: a sima speech.create() eredményén hívott stream_to_file() elavult
  • Hat kimeneti formátum: MP3, Opus, AAC, FLAC, WAV és nyers PCM
  • A PCM formátum ideális a Realtime API-val való integrációhoz
  • Kérésenkénti 4096 karakteres korlát: a hosszú szövegeket mondatvégeknél érdemes felosztani
  • A kötegelt feldolgozás az aszinkron klienssel felgyorsítja a nagy tartalmak generálását
  • A migráció egy Realtime munkameneten keresztül történik a gpt-realtime-2.1-mini modellel: kontextus nélküli válasz, 24 kHz-es PCM hang, átírás a szöveggel való összehasonlításhoz