GPT-4o mini TTS

Specyfikacje techniczne gpt-4o-mini-tts

gpt-4o-mini-tts to model zamiany tekstu na mowę udostępniany przez interfejs audio speech API do generowania naturalnie brzmiącego, mówionego dźwięku z tekstu. Jest przeznaczony do inteligentnych aplikacji czasu rzeczywistego i wspiera sterowanie za pomocą promptów cechami mowy, takimi jak akcent, zakres emocjonalny, intonacja, imitacje, szybkość mowy, ton oraz szept.

Z perspektywy API, gpt-4o-mini-tts jest używany z punktem końcowym generowania mowy i przyjmuje podstawowe dane wejściowe, w tym identyfikator modelu, tekst wejściowy i wybrany głos. Limit tekstu wejściowego wynosi 4096 znaków na żądanie. Obsługiwane wbudowane głosy obejmują alloy, ash, ballad, coral, echo, fable, onyx, nova, sage, shimmer, verse, marin i cedar, z obsługą niestandardowych obiektów głosowych tam, gdzie są dostępne.

Model obsługuje wiele formatów wyjściowych generowanego dźwięku, w tym mp3, opus, aac, flac, wav i pcm. Wspiera także konfigurowalną prędkość mowy od 0.25 do 4.0, z domyślną wartością 1.0. Jeśli chodzi o sposób dostarczania, API obsługuje bezpośredni zwrot dźwięku oraz opcje strumieniowania, w tym strumieniowanie SSE na potrzeby responsywnych przepływów odtwarzania.

Typowe scenariusze wdrożeń obejmują asystentów głosowych, IVR i scenariusze kontaktu, czytanie treści produktu na głos, narrację na potrzeby dostępności oraz generowanie głosów do mediów, gdzie liczy się niskie opóźnienie i naturalne brzmienie. To odpowiada deklarowanemu pozycjonowaniu modelu w zakresie generowania dźwięku w czasie rzeczywistym.

Czym jest gpt-4o-mini-tts?

gpt-4o-mini-tts to neuronowy model zamiany tekstu na mowę, który przekształca zapisany tekst w ekspresyjny, naturalny dźwięk do zastosowań skierowanych do użytkowników. Jest zaprojektowany dla zespołów, które potrzebują szybkiego generowania głosu bez budowania i trenowania własnego stosu mowy od zera.

W praktyce deweloperzy wysyłają tekst oraz wybrany głos do interfejsu speech API, a model zwraca zsyntezowany dźwięk, który można zapisać, przesyłać strumieniowo lub odtwarzać w aplikacji. Dzięki obsłudze wielu głosów, popularnych formatów audio oraz dostarczania przyjaznego strumieniowaniu, doskonale nadaje się do produkcyjnych interfejsów wymagających mówionych odpowiedzi z minimalnym opóźnieniem.

W porównaniu z podstawowymi pipeline’ami TTS, gpt-4o-mini-tts jest szczególnie przydatny, gdy doświadczenie ma wykraczać poza „robotyczną” narrację. Udokumentowane możliwości kontroli tonu, tempa, akcentu i stylu ekspresji czynią go mocną opcją dla asystentów, prowadzenia użytkownika przez procesy, automatyzacji obsługi klienta i markowych doświadczeń głosowych.

Najważniejsze funkcje gpt-4o-mini-tts

• Naturalne generowanie mowy: Konwertuje tekst na ludzkie, mówione audio przeznaczone do zastosowań użytkowych i w czasie rzeczywistym.
• Dostarczanie o niskiej latencji: Zaprojektowany do inteligentnych aplikacji czasu rzeczywistego, odpowiedni dla interfejsów konwersacyjnych i responsywnych przepływów odtwarzania.
• Wybieralne głosy: Obsługuje zestaw wbudowanych głosów, takich jak alloy, ash, ballad, coral, echo, fable, onyx, nova, sage, shimmer, verse, marin i cedar.
• Ekspresyjna kontrola: Możliwość kształtowania akcentu, zakresu emocji, intonacji, imitacji, tonu, szeptu oraz szybkości mowy poprzez prompt.
• Wiele formatów audio: Eksport generowanej mowy w formatach mp3, opus, aac, flac, wav i pcm dla różnych potrzeb aplikacyjnych i odtwarzania.
• Obsługa syntezy strumieniowej: Obsługuje zachowania odpowiedzi ukierunkowane na strumieniowanie, w tym SSE, dla aplikacji wymagających progresywnego dostarczania audio.
• Prosta integracja z API: Działa poprzez prosty interfejs generowania mowy z parametrami modelu, tekstu wejściowego i głosu.
• Ścieżka niestandardowych głosów: Możliwość łączenia z niestandardowymi obiektami głosów tam, gdzie dostępne są odpowiednie uprawnienia i procesy tworzenia głosu.

Jak uzyskać dostęp i zintegrować gpt-4o-mini-tts

Krok 1: Zarejestruj się, aby uzyskać klucz API

Aby rozpocząć korzystanie z gpt-4o-mini-tts, najpierw utwórz konto w CometAPI i wygeneruj klucz API na pulpicie. Po zalogowaniu skopiuj klucz i przechowuj go w bezpiecznym miejscu, ponieważ będzie służył do uwierzytelniania każdego żądania do API.

Krok 2: Wysyłaj żądania do interfejsu API gpt-4o-mini-tts

Gdy masz już klucz API, możesz wywołać zgodny z OpenAI punkt końcowy CometAPI i określić model jako 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": "Witaj w naszym asystencie głosowym. W czym mogę dziś pomóc?",
    "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": "Witaj w naszym asystencie głosowym. W czym mogę dziś pomóc?",
    "voice": "alloy",
    "response_format": "mp3",
}

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

Krok 3: Pobieranie i weryfikacja wyników

Po wysłaniu żądania CometAPI zwraca wygenerowane wyjście audio dla gpt-4o-mini-tts. Zapisz zwrócony plik lub przesyłaj go strumieniowo bezpośrednio do swojej aplikacji, a następnie sprawdź, czy wybrany głos, format, tempo oraz ogólna jakość dźwięku odpowiadają wymaganiom produktu. W razie potrzeby dostosuj tekst wejściowy, wybór głosu, format wyjściowy lub ustawienia mowy i wyślij żądanie ponownie, aż wynik będzie odpowiadał Twojemu przypadkowi użycia.