L-API TTS: Iġġenera l-Kliem
F'din il-paġna
Aġġornament 2 ta’ Novembru, 2026 — Mudelli tal-awdjo. Diversi mudelli f’dan il-kors huma deprekati:
tts-1,tts-1-hd, ugpt-4o-mini-ttsse jitgħalqu fis-6 ta’ Jannar, 2027 (sukċessur:gpt-realtime-2.1-mini, li l-gwida tal-API TTS ta’ OpenAI tiddikjara li mhix appoġġjata minn/v1/audio/speech: il-migrazzjoni tas-sinteżi tal-kliem timxi lejn l-API Realtime);gpt-realtime,gpt-4o-realtime, u mudelli tal-awdjo legacy fl-20 ta’ Jannar, 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribe, u/v1/audio/translationsfis-26 ta’ Frar, 2027 (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). Għal-leħen full-duplex, GPT-Live 1 kien disponibbli fl-API mill-10 ta’ Settembru, 2026. Lezzjoni kkoreġuta fit-3 ta’ Novembru, 2026:response.stream_to_file()fuq ir-riżultat ta’speech.create()huwa deprekat mill-SDK (“Minħabba bug, dan il-metodu fil-fatt ma jistrimjax”) → użawith_streaming_response, bħal fil-gwida uffiċjali; mudelli u vuċijiet aġġornati (gpt-4o-mini-ttsu l-istruzzjonijiet tal-vuċi tiegħu, 13-il vuċi inklużmarinucedar); taqsima ġdida dwar il-migrazzjoni lejngpt-realtime-2.1-miniqabel is-6 ta’ Jannar, 2027, ibbażata fuq il-gwida Realtime conversations. Sorsi: Text to speech · Create speech · Realtime conversations · Deprecations.
L-API TTS: Iġġenera l-Kliem
L-API Text-to-Speech (TTS) ta’ OpenAI tikkonverti t-test f’awdjo ta’ kwalità għolja. Kuntrarjament għall-API Realtime, li timmaniġġja konversazzjonijiet sħaħ bil-leħen, l-API TTS hija servizz ta’ daqqa waħda: tibgħat test, u tirċievi fajl tal-awdjo. Hija l-għodda ideali biex tiġġenera announcements, notifiki bil-leħen, awdibooks, jew kontenut aċċessibbli.
L-Ewwel Sejħa TTS Tiegħek
Il-ġenerazzjoni tal-kliem hija sempliċi ħafna:
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)
L-API tirritorna fluss tal-awdjo li tista’ ssalva direttament jew tistrimja lejn plejer. Uża with_streaming_response, kif muri hawnhekk: is-sejħa ta’ stream_to_file() fuq ir-riżultat ta’ speech.create() sempliċi hija deprekata mill-SDK, li jinnota li fil-fatt ma tistrimjax l-awdjo.
Mudelli Disponibbli
It-tliet mudelli tal-API tal-Awdjo huma deprekati u se jitgħalqu fis-6 ta’ Jannar, 2027: dan huwa l-perjodu ta’ tranżizzjoni li matulu għadek se tużahom.
| Mudell | Speċifiċità | Vuċijiet |
|---|---|---|
gpt-4o-mini-tts | Jaċċetta istruzzjonijiet: aċċent, emozzjoni, intonazzjoni, veloċità, ton, tgħajjib | 13-il vuċi, inkluż marin u cedar, rakkomandati għall-kwalità |
tts-1 | Latenza aktar baxxa, kwalità aktar baxxa | 9 vuċijiet: alloy, ash, coral, echo, fable, onyx, nova, sage, shimmer |
tts-1-hd | Kwalità ogħla minn tts-1, latenza ogħla | L-istess 9 vuċijiet |
L-istruzzjonijiet ma jaħdmux ma’ tts-1 u tts-1-hd. Il-parametru speed, minn 0.25 sa 4.0, jaġġusta r-rata mal-mudelli kollha. Skont il-gwida, il-vuċijiet huma ottimizzati għall-Ingliż: ismagħhom bil-Franċiż fuq OpenAI.fm qabel ma tagħżel. Il-politiki ta’ użu ta’ OpenAI jirrikjedu wkoll li tinforma b’mod ċar lill-utenti tiegħek li l-vuċi li qed jisimgħu hija ġġenerata mill-AI.
Formati tal-Output
L-API tipproduċi sitt formati, magħżula b’response_format:
| Format | Użu |
|---|---|
mp3 (default) | Użu ġenerali |
opus | Strimjar fuq l-internet u komunikazzjoni, latenza baxxa |
aac | Kompressjoni diġitali, preferut minn YouTube, Android, u iOS |
flac | Kompressjoni mingħajr telf, għall-arkivjar |
wav | Mhux ikkumpressat, biex tevita overhead tad-decoding |
pcm | Kampjuni raw f’24 kHz, 16-bit iffirmati, mingħajr header |
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}")
Għal aġent bil-leħen mibni fuq l-API Realtime, il-format pcm huwa l-aktar konvenjenti: il-kampjuni tiegħu ta’ 24 kHz u 16-bit jaqblu mal-format audio/pcm tal-API Realtime f’24 kHz.
Il-Ġenerazzjoni tal-Awdjo f’Lotti
Għal volumi kbar ta’ test, ipproċessa s-segmenti parallelament:
import asyncio
from openai import AsyncOpenAI
async_client = AsyncOpenAI()
async def generate_speech_batch(segments: list[dict]) -> list[bytes]:
"""Iġġenera l-awdjo għal segmenti multipli parallelament."""
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)
# Użu
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))
# Iggħaqqad il-fajls
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")
Limitu tal-Karattri u Qsim
L-API TTS għandha limitu ta’ 4,096 karattru għal kull talba. Għal testi itwal, aqsamhom b’intelliġenza:
def split_text_for_tts(text: str, max_chars: int = 4000) -> list[str]:
"""Aqsam it-test f'segmenti li jirrispettaw il-limiti TTS."""
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
Wara s-6 ta’ Jannar, 2027: Tagħmel Mudell Realtime Jitkellem
OpenAI tiddesignja gpt-realtime-2.1-mini bħala s-sostitut għat-tliet mudelli, u twissi: mhuwiex mudell għall-endpoint /v1/audio/speech; il-migrazzjoni tbiddel il-fluss tax-xogħol. Int tgħaddi minn sessjoni Realtime. Il-gwida Realtime conversations turi kif tikseb tweġiba mingħajr kuntest, li tinjora l-konversazzjoni u ssegwi biss l-istruzzjonijiet tagħha: din hija t-triq biex tgħidilha tgħid test mogħti.
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']}"],
)
# Output tal-awdjo biss, PCM 16-bit f'24 kHz, bil-vuċi magħżula
ws.send(json.dumps({
"type": "session.update",
"session": {
"type": "realtime",
"output_modalities": ["audio"],
"audio": {"output": {"format": {"type": "audio/pcm", "rate": 24000}, "voice": "marin"}},
},
}))
# Tweġiba mingħajr kuntest (input vojt), li trid tgħid it-test eżattament hekk
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))
Żewġ differenzi mal-API tal-Awdjo huma importanti fil-produzzjoni. Ir-riżultat m’għadux garantit kelma b’kelma: mudell Realtime isegwi istruzzjoni; ma jaqra fajl. Allura qabbel it-traskrizzjoni ta’ dak li qal, irritornata f’response.output_audio_transcript.delta, mat-test mistenni, u erġa’ iġġenera jekk ikun hemm diskrepanza. Il-fatturar jinbidel ukoll: isegwi r-rati tal-mudell Realtime, f’tokens tat-test u tal-awdjo, elenkati fuq il-folja tal-ispeċifikazzjonijiet tiegħu. Fl-aħħar nett, ċavetta miċħuda ma tipprevjenix il-konnessjoni: tasal eżatt wara, f’avveniment error.
Punti Ewlenin
gpt-4o-mini-tts,tts-1, utts-1-hdjagħlqu fis-6 ta’ Jannar, 2027;gpt-4o-mini-ttshuwa l-uniku li jaċċetta istruzzjonijiet tal-vuċi (instructions)- Irrekordja l-awdjo b’
with_streaming_response:stream_to_file()fuqspeech.create()sempliċi huwa deprekat - Sitt formati tal-output: MP3, Opus, AAC, FLAC, WAV, u PCM raw
- Il-format PCM huwa ideali għall-integrazzjoni mal-API Realtime
- Limitu ta’ 4,096 karattru għal kull talba: aqsam testi twal fil-fruntieri tas-sentenzi
- L-ipproċessar f’lotti bil-klijent asinkronu jħaffef il-ġenerazzjoni ta’ kontenut kbir
- Il-migrazzjoni tgħaddi minn sessjoni Realtime b’
gpt-realtime-2.1-mini: tweġiba mingħajr kuntest, awdjo PCM ta’ 24 kHz, traskrizzjoni biex tqabbel mat-test