tts-1-1106

ข้อกำหนดทางเทคนิคของ tts-1-1106

tts-1-1106 คืออะไร?

tts-1-1106 เป็นตัวระบุตามแพลตฟอร์มของ CometAPI สำหรับโมเดลแปลงข้อความเป็นคำพูดของ OpenAI ในตระกูล tts-1 ที่ออกแบบมาเพื่อเปลี่ยนข้อความที่เขียนให้เป็นเสียงพูด OpenAI ระบุว่า tts-1 เป็นโมเดลที่ปรับให้เหมาะกับความเร็วและการใช้งานแบบเรียลไทม์ ทำให้เหมาะกับแอปพลิเคชันเชิงโต้ตอบที่ต้องการการสร้างเสียงอย่างรวดเร็วมากกว่าคุณภาพการเรนเดอร์แบบออฟไลน์สูงสุด

ในการใช้งานจริง โมเดลคลาสนี้ใช้ในสถานการณ์ เช่น การบรรยาย ผู้ช่วยเสียง ฟีเจอร์ช่วยการเข้าถึง อินเทอร์เฟซสนทนา และการเล่นเสียงอัตโนมัติ เข้าถึงผ่านเวิร์กโฟลว์การสร้างเสียงของ Audio API โดยนักพัฒนาส่งข้อความ เลือกเสียงที่รองรับ และรับไฟล์เสียงในรูปแบบเอาต์พุตที่เลือก

เนื่องจากส่วนต่อท้าย -1106 ดูเหมือนจะเป็นตัวระบุฝั่งแพลตฟอร์มมากกว่าจะเป็นชื่อโมเดลสาธารณะของ OpenAI การตีความที่ปลอดภัยที่สุดคือ tts-1-1106 จะแมปกับพฤติกรรมและรูปแบบการผสานใช้งานของตระกูลการสร้างเสียง tts-1 ของ OpenAI ซึ่งหมายความว่านักพัฒนาควรคาดหวังโมเดล TTS ที่รวดเร็ว มุ่งเน้นการสังเคราะห์ที่ตอบสนองไว การใช้เอ็นด์พอยต์เสียงแบบมาตรฐาน และการเลือกเสียงที่มีมาให้ในตัว

คุณสมบัติหลักของ tts-1-1106

• การสร้างเสียงที่เน้นเรียลไทม์: ตระกูล tts-1 พื้นฐานถูกปรับให้เหมาะกับความเร็ว ทำให้เหมาะสำหรับงานสด ผู้ช่วย และประสบการณ์เสียงที่ไวต่อความหน่วง
• การแปลงข้อความเป็นเสียงที่เป็นธรรมชาติ: แปลงข้อความธรรมดาให้เป็นเสียงพูดที่ฟังสมจริงสำหรับการเล่น การบรรยาย และฟีเจอร์ที่มีเสียงในผลิตภัณฑ์
• รองรับหลายรูปแบบเอาต์พุต: นักพัฒนาสามารถขอไฟล์เสียงเป็น mp3, opus, aac, flac, wav หรือ pcm แบบดิบ รองรับทั้งการเล่นสื่อทั่วไปและการผสานที่หน่วงต่ำ
• ตัวเลือกเสียงในตัว: ตระกูลโมเดลรองรับชุดเสียงมาตรฐาน ช่วยให้เลือกสไตล์การพูดให้เหมาะกับโทนของผลิตภัณฑ์ได้โดยไม่ต้องฝึกโมเดลผู้พูดแบบกำหนดเอง
• ผสาน API ได้ตรงไปตรงมา: ออกแบบให้ทำงานผ่านเอ็นด์พอยต์การพูดมาตรฐาน ลดความซับซ้อนในการนำไปใช้สำหรับทีมที่ใช้งาน Audio API ที่เข้ากันกับ OpenAI อยู่แล้ว
• ความยืดหยุ่นด้านภาษา: OpenAI ระบุว่า TTS stack โดยทั่วไปสอดคล้องกับการรองรับภาษาของ Whisper ทำให้สร้างเสียงได้หลายภาษา แม้ว่าเสียงจะปรับให้เหมาะกับภาษาอังกฤษเป็นหลัก
• รองรับการสตรีม: Speech API ของ OpenAI รองรับการส่งเสียงแบบสตรีม ทำให้เริ่มเล่นได้ก่อนที่ไฟล์จะเสร็จสมบูรณ์ทั้งหมดในกรณีที่รองรับ
• เหมาะสำหรับการใช้งานจริงในโปรดักชัน: ด้วยขีดจำกัดอัตราที่มีเอกสารกำกับ พฤติกรรมเอ็นด์พอยต์มาตรฐาน และแนวทางการใช้งานเกี่ยวกับการเปิดเผยว่าเป็นเสียง AI ตระกูลโมเดลนี้เหมาะสำหรับการนำไปใช้งานจริง

วิธีเข้าถึงและผสาน tts-1-1106

ขั้นตอนที่ 1: สมัครและรับ API Key

สมัครใช้ CometAPI และสร้าง API key จากแดชบอร์ด จัดเก็บคีย์อย่างปลอดภัยและตั้งค่าเป็นตัวแปรสภาพแวดล้อมในแอปพลิเคชัน เพื่อให้แบ็กเอนด์ของคุณสามารถยืนยันตัวตนเมื่อเรียกใช้งาน tts-1-1106 API

ขั้นตอนที่ 2: ส่งคำขอไปยัง API ของ tts-1-1106

ส่งคำขอ POST ไปยังเอ็นด์พอยต์สร้างเสียงที่เข้ากันกับ OpenAI ผ่าน CometAPI โดยตั้งค่า model เป็น tts-1-1106 และใส่ข้อความอินพุตพร้อมตัวเลือกที่รองรับ เช่น voice และ response_format

curl --request POST \
  --url https://api.cometapi.com/v1/audio/speech \
  --header "Authorization: Bearer $COMETAPI_API_KEY" \
  --header "Content-Type: application/json" \
  --data '{
    "model": "tts-1-1106",
    "input": "Welcome to CometAPI text to speech.",
    "voice": "alloy",
    "response_format": "mp3"
  }' \
  --output speech.mp3

ขั้นตอนที่ 3: ดึงและตรวจสอบผลลัพธ์

บันทึกไฟล์เสียงที่ส่งกลับมาหรือสตรีมผลลัพธ์โดยตรงในแอปของคุณ จากนั้นตรวจสอบว่าเนื้อหาเสียง เสียงที่เลือก รูปแบบ และคุณภาพการเล่น ตรงกับผลลัพธ์ที่คุณคาดหวังสำหรับ tts-1-1106