tts-1

Specyfikacje techniczne tts-1

Czym jest tts-1?

tts-1 to model tekst-do-mowy firmy OpenAI zaprojektowany do przekształcania pisanego tekstu w naturalnie brzmiące, mówione audio. Jest pozycjonowany jako szybsza, o niższych opóźnieniach opcja wśród klasycznych modeli TTS OpenAI, co czyni go odpowiednim dla aplikacji wymagających szybkiej syntezy mowy zamiast najwyższej możliwej wierności.

Deweloperzy zazwyczaj używają tts-1 poprzez punkt końcowy generowania mowy w Audio API, gdy chcą konwertować tekst aplikacji, prompty, powiadomienia, narracje lub odpowiedzi asystenta na odtwarzalne pliki audio. Dokumentacja OpenAI opisuje go jako zoptymalizowany pod kątem scenariuszy tekst-do-mowy w czasie rzeczywistym.

W praktyce tts-1 dobrze sprawdza się w lekkich doświadczeniach głosowych, systemach szybkiej odpowiedzi, interaktywnych prototypach oraz produktach, w których responsywność liczy się bardziej niż najwyższa jakość głosu. Jeśli priorytetem jest maksymalna jakość, OpenAI kieruje użytkowników do tts-1-hd, natomiast nowsze, ekspresyjne zastosowania mogą korzystać z nowszych modeli TTS.

Główne funkcje tts-1

• Generowanie mowy z niskim opóźnieniem: tts-1 jest specjalnie zoptymalizowany pod kątem szybkości, co czyni go użytecznym w aplikacjach wymagających szybkiego wyjścia głosowego.
• Naturalnie brzmiące TTS: Model przekształca zwykły tekst w mówione audio odpowiednie do narracji, odpowiedzi asystenta i interfejsów głosowych.
• Wiele wbudowanych głosów: tts-1 obsługuje zestaw wbudowanych głosów, w tym alloy, ash, coral, echo, fable, onyx, nova, sage i shimmer.
• Elastyczne formaty wyjścia audio: Deweloperzy mogą żądać generowanego dźwięku w popularnych formatach, takich jak MP3, WAV, FLAC, AAC, Opus i PCM, w zależności od potrzeb odtwarzania lub przetwarzania.
• Regulowana prędkość odtwarzania: API pozwala kontrolować prędkość od 0.25x do 4.0x, co umożliwia wolniejszą narrację lub szybsze odtwarzanie, w razie potrzeby.
• Prosta integracja przez API: tts-1 jest dostępny poprzez standardowe API generowania mowy, co ułatwia integrację z przepływami pracy w sieci, na urządzeniach mobilnych lub w backendzie.
• Dobry do aplikacji ukierunkowanych na czas rzeczywisty: OpenAI jawnie określa tts-1 jako model do scenariuszy TTS w czasie rzeczywistym, co czyni go praktycznym dla asystentów, powiadomień i szybkich systemów interaktywnych.
• Wybór modelu z myślą o kompromisie: W porównaniu z tts-1-hd ten model priorytetowo traktuje szybsze generowanie kosztem wyższej wierności, oferując deweloperom jasny wybór między opóźnieniem a jakością.

Jak uzyskać dostęp i zintegrować tts-1

Krok 1: Zarejestruj się, aby uzyskać klucz API

Aby uzyskać dostęp do API tts-1, najpierw zarejestruj się w CometAPI i wygeneruj klucz API z pulpitu nawigacyjnego. Po zalogowaniu utwórz nowy klucz, bezpiecznie go skopiuj i przechowuj w zmiennych środowiskowych swojej aplikacji. Użyjesz tego klucza do uwierzytelniania wszystkich żądań do API tts-1.

Krok 2: Wysyłanie żądań do API tts-1

Gdy masz już klucz API, wyślij żądanie POST do punktu końcowego CometAPI dla tts-1 z ładunkiem wejściowym. Dołącz klucz API w nagłówku Authorization i wskaż tts-1 jako model. Typowe żądanie obejmuje tekst wejściowy oraz parametry TTS, takie jak głos i format odpowiedzi.

curl https://api.cometapi.com/v1/audio/speech \
  -H "Authorization: Bearer $COMETAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "tts-1",
    "input": "Welcome to CometAPI text to speech.",
    "voice": "alloy",
    "response_format": "mp3"
  }' \
  --output speech.mp3

Krok 3: Pobierz i zweryfikuj wyniki

Po wysłaniu żądania API tts-1 zwróci wygenerowaną treść audio, jeśli wywołanie zakończy się powodzeniem. Zapisz zwrócony plik lub strumień, sprawdź, czy dźwięk odtwarza się poprawnie, i potwierdź, że wybrany głos, prędkość i format odpowiadają wymaganiom Twojej aplikacji. W razie potrzeby ponów próbę z dostosowanymi parametrami, aby poprawić wynik końcowy.