GPT-4o mini TTS

ข้อกำหนดทาง技术ของ gpt-4o-mini-tts

gpt-4o-mini-tts เป็นโมเดลแปลงข้อความเป็นเสียงที่เปิดให้ใช้งานผ่าน Audio Speech API สำหรับสร้างเสียงพูดที่ฟังเป็นธรรมชาติจากข้อความ ถูกออกแบบมาเพื่อแอปพลิเคชันอัจฉริยะแบบเรียลไทม์ และรองรับการควบคุมลักษณะเสียงด้วยพรอมต์ เช่น สำเนียง ช่วงอารมณ์ จังหวะและการเน้นเสียง บุคลิกเสียง ความเร็วในการพูด โทนเสียง และการกระซิบ

ในมุมมองของ API gpt-4o-mini-tts ใช้งานกับเอ็นด์พอยต์สร้างเสียงพูดและรับอินพุตหลัก ได้แก่ รหัสโมเดล ข้อความอินพุต และเสียงที่เลือก จำกัดข้อความอินพุตที่ 4096 อักขระต่อคำขอ รองรับเสียงสำเร็จรูป ได้แก่ alloy, ash, ballad, coral, echo, fable, onyx, nova, sage, shimmer, verse, marin และ cedar พร้อมรองรับอ็อบเจ็กต์เสียงแบบกำหนดเองเมื่อมีให้ใช้งาน

โมเดลรองรับรูปแบบไฟล์เอาต์พุตสำหรับเสียงที่สร้างขึ้นหลายประเภท ได้แก่ mp3, opus, aac, flac, wav และ pcm นอกจากนี้ยังรองรับการกำหนดความเร็วการพูดตั้งแต่ 0.25 ถึง 4.0 โดยค่าเริ่มต้นคือ 1.0 ด้านพฤติกรรมการส่งมอบ API รองรับทั้งการส่งออกเสียงโดยตรงและตัวเลือกสตรีมมิง รวมถึง SSE streaming สำหรับเวิร์กโฟลว์การเล่นกลับที่ตอบสนองฉับไว

สถานการณ์การใช้งานทั่วไป ได้แก่ ผู้ช่วยเสียง ระบบ IVR และกระบวนการติดต่อ ประสบการณ์อ่านออกเสียงผลิตภัณฑ์ การบรรยายเพื่อการเข้าถึง และการสร้างเสียงสำหรับสื่อ ที่ให้ความสำคัญกับค่าหน่วงต่ำและเอาต์พุตเสียงที่เป็นธรรมชาติ ซึ่งสอดคล้องกับการวางตำแหน่งของโมเดลสำหรับการสร้างเสียงแบบเรียลไทม์

gpt-4o-mini-tts คืออะไร?

gpt-4o-mini-tts เป็นโมเดลเสียงประสาทสำหรับแปลงข้อความเป็นเสียงที่ถ่ายทอดอารมณ์และเป็นธรรมชาติ เหมาะกับแอปพลิเคชันสำหรับผู้ใช้ปลายทาง ออกแบบมาสำหรับทีมที่ต้องการสร้างเสียงได้รวดเร็วโดยไม่ต้องสร้างและฝึกสแต็กสังเคราะห์เสียงเองตั้งแต่ต้น

ในทางปฏิบัติ นักพัฒนาจะส่งข้อความพร้อมเสียงที่เลือกไปยัง Speech API จากนั้นโมเดลจะส่งคืนเสียงสังเคราะห์ซึ่งสามารถบันทึก สตรีม หรือเล่นภายในแอปพลิเคชันได้ เนื่องจากรองรับหลายเสียง รูปแบบไฟล์เสียงที่ใช้กันทั่วไป และการส่งมอบที่เป็นมิตรต่อการสตรีม จึงเหมาะอย่างยิ่งสำหรับอินเทอร์เฟซระดับโปรดักชันที่ต้องการคำตอบแบบเสียงโดยมีความหน่วงต่ำ

เมื่อเทียบกับเวิร์กโฟลว์ TTS แบบพื้นฐาน gpt-4o-mini-tts มีประโยชน์เป็นพิเศษเมื่อประสบการณ์ต้องการมากกว่าการบรรยายแบบหุ่นยนต์ การควบคุมที่มีเอกสารกำกับไว้เกี่ยวกับโทน จังหวะการพูด สำเนียง และสไตล์การแสดงออก ทำให้เป็นตัวเลือกที่แข็งแกร่งสำหรับผู้ช่วย เวิร์กโฟลว์แบบมีการแนะนำ ระบบอัตโนมัติด้านบริการลูกค้า และประสบการณ์เสียงตามแบรนด์

คุณสมบัติหลักของ gpt-4o-mini-tts

• การสร้างเสียงพูดที่เป็นธรรมชาติ: แปลงข้อความให้เป็นเสียงพูดที่คล้ายมนุษย์ เหมาะสำหรับประสบการณ์ผู้ใช้และการใช้งานแบบเรียลไทม์
• การส่งมอบแบบหน่วงต่ำ: ออกแบบมาสำหรับแอปพลิเคชันอัจฉริยะแบบเรียลไทม์ เหมาะกับอินเทอร์เฟซสนทนาและเวิร์กโฟลว์การเล่นกลับที่ตอบสนองฉับไว
• เลือกเสียงได้: รองรับเสียงสำเร็จรูปหลากหลาย เช่น alloy, ash, ballad, coral, echo, fable, onyx, nova, sage, shimmer, verse, marin และ cedar
• การควบคุมเชิงการแสดงออก: ปรับสำเนียง ช่วงอารมณ์ จังหวะและการเน้นเสียง บุคลิก โทน การกระซิบ และความเร็วการพูดด้วยพรอมต์
• รองรับหลายรูปแบบเสียง: ส่งออกเสียงที่สร้างได้ในรูปแบบ mp3, opus, aac, flac, wav และ pcm เพื่อตอบโจทย์การใช้งานและการเล่นกลับที่หลากหลาย
• รองรับการสังเคราะห์แบบสตรีมมิง: รองรับพฤติกรรมการตอบสนองเชิงสตรีม รวมถึง SSE สำหรับการส่งมอบเสียงแบบค่อยเป็นค่อยไป
• ผสาน API ได้ง่าย: ใช้งานผ่าน API สร้างเสียงด้วยพารามิเตอร์ model, input text และ voice
• ช่องทางเสียงแบบกำหนดเอง: สามารถจับคู่กับอ็อบเจ็กต์เสียงแบบกำหนดเอง เมื่อมีคุณสมบัติของบัญชีและเวิร์กโฟลว์การสร้างเสียง

วิธีเข้าถึงและผสาน gpt-4o-mini-tts

ขั้นตอนที่ 1: สมัครและรับ API Key

เพื่อเริ่มใช้งาน gpt-4o-mini-tts ให้สร้างบัญชีบน CometAPI และสร้าง API key จากแดชบอร์ด หลังจากลงชื่อเข้าใช้แล้ว ให้คัดลอกคีย์และเก็บรักษาอย่างปลอดภัย เนื่องจากคุณจะใช้เพื่อยืนยันตัวตนในทุกคำขอที่ส่งไปยัง API

ขั้นตอนที่ 2: ส่งคำขอไปยัง API ของ gpt-4o-mini-tts

เมื่อคุณมี API key แล้ว คุณสามารถเรียกใช้เอ็นด์พอยต์ของ CometAPI ที่เข้ากันได้กับ OpenAI และระบุโมเดลเป็น 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)

ขั้นตอนที่ 3: ดึงและตรวจสอบผลลัพธ์

หลังจากส่งคำขอ CometAPI จะส่งคืนเอาต์พุตเสียงที่สร้างจาก gpt-4o-mini-tts จัดเก็บไฟล์ที่ได้รับหรือสตรีมเข้าสู่แอปพลิเคชันโดยตรง จากนั้นตรวจสอบว่าเสียงที่เลือก รูปแบบไฟล์ จังหวะการพูด และคุณภาพเสียงโดยรวมตรงตามข้อกำหนดของผลิตภัณฑ์ หากจำเป็น ให้ปรับข้อความอินพุต การเลือกเสียง รูปแบบเอาต์พุต หรือการตั้งค่าการพูด และส่งคำขออีกครั้งจนกว่าผลลัพธ์จะเหมาะกับกรณีใช้งานของคุณ