GPT-4o mini TTS

gpt-4o-mini-tts техникалық сипаттамалары

gpt-4o-mini-tts — мәтінді табиғи естілетін сөйленген аудиоға түрлендіруге арналған мәтіннен-дыбысқа (TTS) моделі, ол аудио сөйлеу API арқылы қолжетімді. Ол интеллектуалды нақты уақыттағы қолданбаларға бағытталған және екпін, эмоциялық ауқым, интонация, имитациялар, сөйлеу жылдамдығы, тон және сыбырлау сияқты сөйлеу сипаттарын prompt арқылы басқаруды қолдайды.

API тұрғысынан, gpt-4o-mini-tts сөйлеу генерациясы endpoint-і арқылы пайдаланылады және негізгі кірістер ретінде модель идентификаторы, кіріс мәтін және таңдалған дауыс қабылдайды. Бір сұранымдағы кіріс мәтін шегі — 4096 таңба. Құрамындағы дауыстар: alloy, ash, ballad, coral, echo, fable, onyx, nova, sage, shimmer, verse, marin және cedar; сондай-ақ қолжетімді болған жағдайда теңшелген дауыс объектілерін қолдайды.

Модель генерацияланған аудио үшін бірнеше шығыс форматтарын қолдайды: mp3, opus, aac, flac, wav және pcm. Сондай-ақ сөйлеу жылдамдығын 0.25-тен 4.0-ке дейін баптауға болады, әдепкі мәні — 1.0. Жеткізу мінез-құлқы бойынша API тікелей аудио шығаруды да, ағындық опцияларды да қолдайды, оның ішінде жедел ойнату жұмыс ағындары үшін SSE арқылы ағынмен жіберу бар.

Әдеттегі іске асыру сценарийлері: дауыс ассистенттері, IVR және контакт ағымдары, өнімді дауыстап оқу тәжірибелері, қолжетімділікке арналған баяндау және кідірісі төмен әрі табиғи дауыс шығару маңызды болатын медиа дауыс генерациясы. Бұл модельдің нақты уақыттағы аудио генерациясына арналған құжаттамада көрсетілген позициялауына сай келеді.

gpt-4o-mini-tts деген не?

gpt-4o-mini-tts — жазбаша мәтінді пайдаланушыға бағытталған қолданбалар үшін мәнерлі, табиғи аудиоға түрлендіретін нейрондық мәтіннен-дыбысқа модель. Ол дайын сөйлеу стекін нөлден құрып, оқытпай-ақ жедел дауыс генерациясы қажет командаларға арналған.

Практикада әзірлеушілер мәтінді және таңдалған дауысты speech API-ге жібереді, ал модель қолданбада сақтауға, ағынмен жіберуге немесе ойнатуға болатын синтезделген аудионы қайтарады. Бірнеше дауыс, кең таралған аудио экспорт форматтары және ағынға ыңғайлы жеткізу қолдауының арқасында ол кідірісі минималды айтылған жауаптар қажет өндірістік интерфейстерге өте қолайлы.

Негізгі TTS құбырларымен салыстырғанда, gpt-4o-mini-tts тәжірибе жай роботтық дикциядан артық болуды қажет еткенде ерекше пайдалы. Тон, қарқын, екпін және экспрессивті стильді басқарудың құжатталған мүмкіндіктері оны ассистенттер, бағытталған жұмыс процестері, клиенттерге қызмет көрсетуді автоматтандыру және брендтелген дауыс тәжірибелері үшін мықты нұсқаға айналдырады.

gpt-4o-mini-tts негізгі мүмкіндіктері

• Табиғи сөйлеу генерациясы: Мәтінді пайдаланушыға бағытталған және нақты уақыттағы тәжірибелерге арналған адамға ұқсас сөйленген аудиоға айналдырады.
• Төмен кідірісті жеткізу: Интеллектуалды нақты уақыттағы қолданбаларға арналған, бұл оны әңгімелесу интерфейстері мен жедел ойнату ағындары үшін қолайлы етеді.
• Таңдалатын дауыстар: alloy, ash, ballad, coral, echo, fable, onyx, nova, sage, shimmer, verse, marin және cedar сияқты құрамдағы дауыстарды қолдайды.
• Экспрессивті басқару: Екпін, эмоциялық ауқым, интонация, имитациялар, тон, сыбырлау және сөйлеу жылдамдығын prompt арқылы қалыптастыруға мүмкіндік береді.
• Бірнеше аудио форматы: mp3, opus, aac, flac, wav және pcm форматтарында генерацияланған сөйлеуді экспорттайды, әртүрлі қолданба және ойнату қажеттіліктеріне сай.
• Ағындық синтезді қолдау: Прогрессивті аудио жеткізу қажет қолданбалар үшін SSE-ні қоса алғанда, ағынға бағытталған жауап мінез-құлқын қолдайды.
• Қарапайым API интеграциясы: model, input text және voice параметрлерін қолданатын қарапайым сөйлеу генерациясы API арқылы жұмыс істейді.
• Теңшелген дауыс мүмкіндігі: Есептік жазба жарамдылығы мен дауыс жасау жұмыс ағындары қолжетімді болғанда теңшелген дауыс объектілерімен жұптастыруға болады.

gpt-4o-mini-tts-ке қалай қол жеткізу және интеграциялау

1-қадам: API кілтін алу үшін тіркелу

gpt-4o-mini-tts пайдалануды бастау үшін алдымен CometAPI-де есептік жазба жасап, басқару тақтасынан API кілтіңізді жасаңыз. Жүйеге кіргеннен кейін кілтті көшіріп, қауіпсіз сақтаңыз, өйткені API-ге әрбір сұранымды аутентификациялау үшін оны қолданатын боласыз.

2-қадам: gpt-4o-mini-tts API-іне сұранымдар жіберу

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)

3-қадам: Нәтижелерді алу және тексеру

Сұраным жіберілген соң, CometAPI gpt-4o-mini-tts үшін генерацияланған аудио шығысын қайтарады. Қайтарылған файлды сақтаңыз немесе оны қолданбаңызға тікелей ағынмен жіберіңіз, содан кейін таңдалған дауыс, формат, қарқын және жалпы аудио сапасының өнім талаптарына сәйкестігін тексеріңіз. Қажет болса, кіріс мәтінді, дауыс таңдауды, шығыс форматты немесе сөйлеу баптауларын өзгертіп, нәтиже сіздің қолдану жағдайыңызға сай келгенше сұранымды қайта жіберіңіз.