API TTS: ustvarjanje govora
Na tej strani
Posodobitev 2. novembra 2026 — Zvočni modeli. Več modelov v tem tečaju je zastarelih:
tts-1,tts-1-hdingpt-4o-mini-ttsbodo ukinjeni 6. januarja 2027 (naslednik:gpt-realtime-2.1-mini, za katerega vodnik OpenAI za TTS navaja, da ga/v1/audio/speechne podpira: selitev sinteze govora prehaja na API Realtime);gpt-realtime,gpt-4o-realtimein stari zvočni modeli 20. januarja 2027 (gpt-realtime-2.1,gpt-realtime-2.1-mini,gpt-audio-1.5);whisper-1,gpt-4o-transcribein/v1/audio/translations26. februarja 2027 (gpt-transcribe,gpt-live-transcribe,v1/realtime/translations). Za polno duplexni glas je GPT-Live 1 na voljo v API-ju od 10. septembra 2026. Lekcija popravljena 3. novembra 2026:response.stream_to_file()na rezultatuspeech.create()je zastarel po mnenju SDK-ja („Zaradi napake ta metoda dejansko ne pretaka”) → uporabitewith_streaming_response, kot v uradnem vodniku; modeli in glasovi posodobljeni (gpt-4o-mini-ttsin njegova navodila za glas, 13 glasov, vključno zmarinincedar); novo poglavje o selitvi nagpt-realtime-2.1-minipred 6. januarjem 2027, na podlagi vodnika Realtime conversations. Viri: Text to speech · Create speech · Realtime conversations · Deprecations.
API TTS: ustvarjanje govora
API OpenAI za pretvorbo besedila v govor (TTS) pretvori besedilo v visokokakovosten zvok. Za razliko od API-ja Realtime, ki upravlja celotne glasovne pogovore, je API TTS storitev za enkratni klic: pošljete besedilo in prejmete zvočno datoteko. To je idealno orodje za ustvarjanje napovedi, glasovnih obvestil, avdio knjig ali dostopne vsebine.
Tvoj prvi klic TTS
Ustvarjanje govora je izjemno preprosto:
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="Dobrodošel na Corsen Academy. "
"Tvoje usposabljanje za glasovne agente se začne zdaj.",
instructions="Govori s toplim, umirjenim tonom.",
) as response:
response.stream_to_file(speech_file)
API vrne zvočni tok, ki ga lahko neposredno shraniš ali pretočiš v predvajalnik. Uporabi with_streaming_response, kot je prikazano tukaj: klicanje stream_to_file() na rezultatu navadnega speech.create() je zastarelo po mnenju SDK-ja, ki opozarja, da ta metoda dejansko ne pretaka zvoka.
Razpoložljivi modeli
Trije modeli Audio API so zastareli in bodo ukinjeni 6. januarja 2027: to je prehodno obdobje, ko jih boš še vedno uporabljal.
| Model | Posebnost | Glasovi |
|---|---|---|
gpt-4o-mini-tts | Sprejema navodila: naglas, čustva, intonacija, hitrost, ton, šepetanje | 13 glasov, vključno z marin in cedar, priporočeni za kakovost |
tts-1 | Manjša zakasnitev, nižja kakovost | 9 glasov: alloy, ash, coral, echo, fable, onyx, nova, sage, shimmer |
tts-1-hd | Višja kakovost kot tts-1, večja zakasnitev | Istih 9 glasov |
Navodila ne delujejo z tts-1 in tts-1-hd. Parameter speed, od 0,25 do 4,0, prilagodi hitrost pri vseh modelih. Po navodilih vodnika so glasovi optimizirani za angleščino: poslušaj jih v francoščini na OpenAI.fm pred izbiro. Pravilnik o uporabi OpenAI prav tako zahteva, da svoje uporabnike jasno obvestiš, da je glas, ki ga slišijo, ustvarjen s strani umetne inteligence.
Izhodne oblike
API proizvaja šest formatov, izbranih s parametrom response_format:
| Oblika | Uporaba |
|---|---|
mp3 (privzeto) | Splošna uporaba |
opus | Pretakanje in komunikacija prek interneta, nizka zakasnitev |
aac | Digitalno stiskanje, prednostno za YouTube, Android in iOS |
flac | Brezizgubno stiskanje, za arhiviranje |
wav | Nestisnjeno, za izogibanje stroškom dekodiranja |
pcm | Surovi vzorci pri 24 kHz, 16-bitni podpisani, brez glave |
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="Besedilo za pretvorbo",
response_format=fmt,
) as response:
response.stream_to_file(f"example.{fmt}")
Za glasovnega agenta, zgrajenega na API-ju Realtime, je oblika pcm najbolj priročna: njeni vzorci 24 kHz, 16-bit ustrezajo obliki audio/pcm API-ja Realtime pri 24 kHz.
Ustvarjanje zvoka v serijah
Za velike količine besedila obdeluj segmente vzporedno:
import asyncio
from openai import AsyncOpenAI
async_client = AsyncOpenAI()
async def generate_speech_batch(segments: list[dict]) -> list[bytes]:
"""Ustvari zvok za več segmentov vzporedno."""
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)
# Uporaba
segments = [
{"text": "Poglavje eno. Uvod v glasovne agente.", "voice": "onyx"},
{"text": "Glasovni agenti preoblikujejo interakcijo med človekom in računalnikom.", "voice": "onyx"},
{"text": "V tem poglavju bomo raziskali osnove.", "voice": "onyx"},
]
audio_chunks = asyncio.run(generate_speech_batch(segments))
# Združevanje datotek
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")
Omejitev znakov in razdeljevanje
API TTS ima omejitev 4.096 znakov na zahtevo. Za daljša besedila jih razdeli pametno:
def split_text_for_tts(text: str, max_chars: int = 4000) -> list[str]:
"""Razdeli besedilo na segmente ob upoštevanju omejitev 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
Po 6. januarju 2027: kako spraviti model Realtime do govora
OpenAI določa gpt-realtime-2.1-mini kot nadomestilo za tri modele in opozarja: to ni model za končno točko /v1/audio/speech; selitev spremeni delovni tok. Prekoračiš sejo Realtime. Vodnik Realtime conversations prikazuje, kako dobiti odgovor brez konteksta, ki ignorira pogovor in sledi le svojim navodilom: to je način, da ga prisiliš izgovoriti dano besedilo.
import base64
import json
import os
import wave
import websocket # pip install websocket-client
TEXT = "Dobrodošel na Corsen Academy. Tvoje usposabljanje za glasovne agente se začne zdaj."
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 zvočni izhod, 16-bitni PCM pri 24 kHz, z izbranim 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 brez konteksta (prazen vhod), ki mora izgovoriti besedilo tako, kot je
ws.send(json.dumps({
"type": "response.create",
"response": {
"input": [],
"output_modalities": ["audio"],
"instructions": f"Izgovori točno naslednje besedilo, brez dodajanja česar koli:\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 bitov
wav.setframerate(24000)
wav.writeframes(bytes(audio))
print("Izgovorjeno besedilo:", "".join(transcription))
V proizvodnem okolju sta pomembni dve razliki glede na Audio API. Rezultat ni več zagotovljen beseda za besedo: model Realtime sledi navodilu; ne bere datoteke. Zato primerjaj prepis tega, kar je povedal, vrnjen v response.output_audio_transcript.delta, s pričakovanim besedilom in ponovno ustvari, če pride do neskladja. Spremeni se tudi zaračunavanje: sledi tarifam modela Realtime, v besedilnih in zvočnih žetonih, navedenim na njegovem specifikacijskem listu. Končno, zavrnjen ključ ne prepreči povezave: prispe tik zatem, v dogodku error.
Ključne ugotovitve
gpt-4o-mini-tts,tts-1intts-1-hdbodo ukinjeni 6. januarja 2027;gpt-4o-mini-ttsje edini, ki sprejema navodila za glas (instructions)- Zvok snemaj z
with_streaming_response:stream_to_file()na navadnemspeech.create()je zastarel - Šest izhodnih formatov: MP3, Opus, AAC, FLAC, WAV in surovi PCM
- Oblika PCM je idealna za integracijo z API-jem Realtime
- Omejitev 4.096 znakov na zahtevo: dolga besedila razdeli na mejah stavkov
- Obdelava v serijah z asinhronim odjemalcem pospeši ustvarjanje velikih vsebin
- Selitev poteka prek seje Realtime z
gpt-realtime-2.1-mini: odgovor brez konteksta, 24 kHz PCM zvok, prepis za primerjavo z besedilom