GPT-4o mini TTS

Tekniske specifikationer for gpt-4o-mini-tts

gpt-4o-mini-tts er en tekst-til-tale-model, der er tilgængelig via API'et til tale og genererer naturligt lydende tale fra tekst. Den er målrettet intelligente realtidsapplikationer og understøtter prompt-baseret kontrol over taleegenskaber som accent, følelsesmæssigt register, intonation, imitationer, taletempo, tone og hvisken.

Set fra API-perspektiv bruges gpt-4o-mini-tts med endpointet til talegenerering og accepterer kerneinput som model-ID, inputtekst og en valgt stemme. Grænsen for inputtekst er 4096 tegn pr. anmodning. Understøttede indbyggede stemmer omfatter alloy, ash, ballad, coral, echo, fable, onyx, nova, sage, shimmer, verse, marin og cedar, med understøttelse af brugerdefinerede stemmeobjekter, hvor det er tilgængeligt.

Modellen understøtter flere outputformater for genereret lyd, herunder mp3, opus, aac, flac, wav og pcm. Den understøtter også et konfigurerbart taletempo fra 0.25 til 4.0, hvor 1.0 er standard. For leveringsadfærd understøtter API'et både direkte lydoutput og streamingmuligheder, inklusive SSE-streaming til responsive afspilningsworkflows.

Typiske implementeringsscenarier omfatter stemmeassistenter, IVR- og kontaktflows, produktoplæsning, tilgængelighedsoplæsning og mediestemmegenerering, hvor lav latenstid og naturlig stemmeudgang er vigtig. Dette passer med modellens dokumenterede positionering til realtidslydgenerering.

Hvad er gpt-4o-mini-tts?

gpt-4o-mini-tts er en neuralt baseret tekst-til-tale-model, der konverterer skriftlig tekst til udtryksfuld, naturlig lyd til brugerrettede applikationer. Den er designet til teams, der har brug for hurtig stemmegenerering uden at opbygge og træne en specialiseret tale-stack fra bunden.

I praksis sender udviklere tekst samt en valgt stemme til tale-API'et, og modellen returnerer syntetiseret lyd, som kan gemmes, streames eller afspilles i en applikation. Fordi den understøtter flere stemmer, almindelige audio-eksportformater og streamingvenlig levering, er den velegnet til produktionsgrænseflader, der kræver talte svar med minimal forsinkelse.

Sammenlignet med basale TTS-pipelines er gpt-4o-mini-tts særligt nyttig, når oplevelsen skal være mere end robotagtig oplæsning. De dokumenterede kontroller af tone, tempo, accent og udtryksstil gør den til et stærkt valg til assistenter, guidede workflows, automatiseret kundeservice og brandede stemmeoplevelser.

Hovedfunktioner i gpt-4o-mini-tts

• Naturlig talegenerering: Konverterer tekst til menneskeligt lydende tale beregnet til brugerrettede og realtidsoplevelser.
• Lav latenstid i levering: Designet til intelligente realtidsapplikationer, hvilket gør den velegnet til konversationelle grænseflader og responsive afspilningsflows.
• Valgbare stemmer: Understøtter en række indbyggede stemmer som alloy, ash, ballad, coral, echo, fable, onyx, nova, sage, shimmer, verse, marin og cedar.
• Udtrykskontrol: Kan styres via prompts til at forme accent, følelsesmæssigt register, intonation, imitationer, tone, hvisken og taletempo.
• Flere lydformater: Eksporterer genereret tale i formaterne mp3, opus, aac, flac, wav og pcm til forskellige behov for applikation og afspilning.
• Understøttelse af streaming-syntese: Understøtter streamingorienteret responsadfærd, inklusive SSE, til applikationer der har brug for progressiv levering af lyd.
• Simpel API-integration: Fungerer via et ligetil API til talegenerering med parametrene model, inputtekst og stemme.
• Kanal for brugerdefinerede stemmer: Kan kombineres med brugerdefinerede stemmeobjekter, hvor kontoberettigelse og workflows for stemmeoprettelse er tilgængelige.

Sådan får du adgang til og integrerer gpt-4o-mini-tts

Trin 1: Opret en API-nøgle

For at begynde at bruge gpt-4o-mini-tts skal du først oprette en konto på CometAPI og generere din API-nøgle fra dashboardet. Når du er logget ind, skal du kopiere nøglen og opbevare den sikkert, da du bruger den til at godkende hver anmodning til API'et.

Trin 2: Send forespørgsler til gpt-4o-mini-tts-API'et

Når du har din API-nøgle, kan du kalde CometAPIs OpenAI-kompatible endpoint og angive modellen som gpt-4o-mini-tts.

curl https://api.cometapi.com/v1/audio/speech \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $COMETAPI_API_KEY" \
  -d '{
    "model": "gpt-4o-mini-tts",
    "input": "Welcome to our voice assistant. How can I help you today?",
    "voice": "alloy",
    "response_format": "mp3"
  }' \
  --output speech.mp3

import requests

url = "https://api.cometapi.com/v1/audio/speech"
headers = {
    "Authorization": "Bearer YOUR_COMETAPI_API_KEY",
    "Content-Type": "application/json",
}
payload = {
    "model": "gpt-4o-mini-tts",
    "input": "Welcome to our voice assistant. How can I help you today?",
    "voice": "alloy",
    "response_format": "mp3",
}

response = requests.post(url, headers=headers, json=payload)
with open("speech.mp3", "wb") as f:
    f.write(response.content)

Trin 3: Hent og verificer resultater

Efter at have sendt forespørgslen returnerer CometAPI det genererede lydoutput for gpt-4o-mini-tts. Gem den returnerede fil, eller stream den direkte i din applikation, og verificer derefter, at den valgte stemme, format, tempo og den overordnede lydkvalitet matcher dine produktkrav. Juster om nødvendigt inputtekst, stemmevalg, outputformat eller talerelaterede indstillinger, og send forespørgslen igen, indtil resultatet passer til din anvendelse.