Especificaciones técnicas de gpt-4o-mini-tts
gpt-4o-mini-tts es un modelo de texto a voz expuesto a través de la API de audio speech para generar audio hablado de sonido natural a partir de texto. Está orientado a aplicaciones inteligentes en tiempo real y admite control basado en prompts sobre características del habla como acento, rango emocional, entonación, imitaciones, velocidad del habla, tono y susurros.
Desde la perspectiva de la API, gpt-4o-mini-tts se utiliza con el endpoint de generación de voz y acepta entradas principales que incluyen el ID del modelo, el texto de entrada y una voz seleccionada. El límite de texto de entrada es de 4096 caracteres por solicitud. Las voces integradas compatibles incluyen alloy, ash, ballad, coral, echo, fable, onyx, nova, sage, shimmer, verse, marin y cedar, con compatibilidad para objetos de voz personalizados cuando estén disponibles.
El modelo admite múltiples formatos de salida para el audio generado, incluidos mp3, opus, aac, flac, wav y pcm. También admite una velocidad del habla configurable de 0.25 a 4.0, con 1.0 como predeterminada. En cuanto al comportamiento de entrega, la API admite salida de audio directa así como opciones de streaming, incluida la transmisión SSE para flujos de reproducción responsivos.
Los escenarios típicos de implementación incluyen asistentes de voz, IVR y flujos de contacto, experiencias de lectura en voz alta de productos, narración para accesibilidad y generación de voz para medios, donde la baja latencia y la voz natural son importantes. Esto se alinea con el posicionamiento documentado del modelo para la generación de audio en tiempo real.
¿Qué es gpt-4o-mini-tts?
gpt-4o-mini-tts es un modelo neuronal de texto a voz que convierte texto escrito en audio expresivo y natural para aplicaciones orientadas al usuario. Está diseñado para equipos que necesitan generación de voz rápida sin construir y entrenar desde cero una pila de voz personalizada.
En términos prácticos, los desarrolladores envían texto y una voz elegida a la API de voz, y el modelo devuelve audio sintetizado que puede guardarse, transmitirse o reproducirse en una aplicación. Dado que admite múltiples voces, formatos de exportación de audio comunes y una entrega apta para streaming, es muy adecuado para interfaces de producción que requieren respuestas habladas con mínima demora.
En comparación con canalizaciones TTS básicas, gpt-4o-mini-tts es especialmente útil cuando la experiencia requiere algo más que una narración robótica. Los controles documentados sobre el tono, el ritmo, el acento y el estilo expresivo lo convierten en una opción sólida para asistentes, flujos guiados, automatización de servicio al cliente y experiencias de voz de marca.
Características principales de gpt-4o-mini-tts
- Generación de voz natural: Convierte texto en audio hablado similar al humano, pensado para experiencias orientadas al usuario y en tiempo real.
- Entrega de baja latencia: Diseñado para aplicaciones inteligentes en tiempo real, lo que lo hace adecuado para interfaces conversacionales y flujos de reproducción responsivos.
- Voces seleccionables: Admite una gama de voces integradas como alloy, ash, ballad, coral, echo, fable, onyx, nova, sage, shimmer, verse, marin y cedar.
- Control expresivo: Se puede orientar mediante prompts para dar forma al acento, rango emocional, entonación, imitaciones, velocidad del habla, tono y susurros.
- Múltiples formatos de audio: Exporta la voz generada en formatos mp3, opus, aac, flac, wav y pcm para diferentes necesidades de aplicación y reproducción.
- Compatibilidad con síntesis en streaming: Admite un comportamiento de respuesta orientado al streaming, incluida la SSE, para aplicaciones que requieren entrega de audio progresiva.
- Integración sencilla con la API: Funciona mediante una API de generación de voz sencilla utilizando parámetros de modelo, texto de entrada y voz.
- Ruta para voz personalizada: Se puede combinar con objetos de voz personalizados cuando la elegibilidad de la cuenta y los flujos de creación de voces estén disponibles.
Cómo acceder e integrar gpt-4o-mini-tts
Paso 1: Regístrate para obtener una clave de API
Para empezar a usar gpt-4o-mini-tts, primero crea una cuenta en CometAPI y genera tu clave de API desde el panel de control. Después de iniciar sesión, copia la clave y guárdala de forma segura, ya que la usarás para autenticar cada solicitud a la API.
Paso 2: Envía solicitudes a la API de gpt-4o-mini-tts
Una vez que tengas tu clave de API, puedes llamar al endpoint compatible con OpenAI de CometAPI y especificar el modelo como 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)
Paso 3: Recupera y verifica los resultados
Después de enviar la solicitud, CometAPI devuelve la salida de audio generada para gpt-4o-mini-tts. Guarda el archivo devuelto o transmítelo directamente en tu aplicación, y luego verifica que la voz seleccionada, el formato, el ritmo y la calidad de audio general cumplan con los requisitos de tu producto. Si es necesario, ajusta el texto de entrada, la elección de voz, el formato de salida o la configuración del habla y vuelve a enviar la solicitud hasta que el resultado se adapte a tu caso de uso.