tts-1

ข้อมูลจำเพาะทาง技术ของ tts-1

tts-1 คืออะไร?

tts-1 คือโมเดลแปลงข้อความเป็นคำพูดของ OpenAI ที่ออกแบบมาเพื่อเปลี่ยนข้อความเขียนให้เป็นเสียงพูดที่ฟังเป็นธรรมชาติ โดยถูกวางตำแหน่งให้เป็นตัวเลือกที่เร็วกว่าและมีความหน่วงต่ำกว่าในบรรดาโมเดล TTS แบบคลาสสิกของ OpenAI จึงเหมาะสำหรับงานที่ต้องการสังเคราะห์เสียงอย่างรวดเร็วมากกว่าความเที่ยงตรงของเสียงในระดับสูงสุด

นักพัฒนามักใช้ tts-1 ผ่านปลายทางสำหรับสร้างเสียงของ Audio API เมื่อต้องการแปลงข้อความของแอป พรอมป์ การแจ้งเตือน บทพากย์ หรือคำตอบของผู้ช่วย ให้เป็นไฟล์เสียงที่เล่นได้ เอกสารของ OpenAI ระบุว่าโมเดลนี้ได้รับการปรับให้เหมาะกับกรณีใช้งาน TTS แบบเรียลไทม์

ในการใช้งานจริง tts-1 เหมาะกับประสบการณ์เสียงที่เบา ระบบตอบสนองรวดเร็ว ต้นแบบแบบโต้ตอบ และผลิตภัณฑ์ที่ให้ความสำคัญกับความไวในการตอบสนองมากกว่าคุณภาพเสียงระดับพรีเมียม หากต้องการคุณภาพสูงสุด OpenAI แนะนำให้ใช้ tts-1-hd ขณะที่กรณีใช้งานด้านความแสดงออกของเสียงที่ใหม่กว่าอาจเลือกใช้โมเดล TTS รุ่นใหม่แทน

คุณสมบัติหลักของ tts-1

• การสร้างเสียงความหน่วงต่ำ: tts-1 ถูกปรับให้เหมาะกับความเร็ว ทำให้เหมาะสำหรับแอปที่ต้องการเอาต์พุตเสียงอย่างรวดเร็ว
• การแปลงข้อความเป็นคำพูดที่ฟังเป็นธรรมชาติ: โมเดลแปลงข้อความธรรมดาเป็นเสียงพูด เหมาะกับการบรรยาย คำตอบของผู้ช่วย และอินเทอร์เฟซเสียง
• มีเสียงในตัวหลายแบบ: รองรับชุดเสียงในตัว ได้แก่ alloy, ash, coral, echo, fable, onyx, nova, sage และ shimmer
• รองรับรูปแบบเอาต์พุตเสียงที่ยืดหยุ่น: นักพัฒนาสามารถขอเอาต์พุตเป็น MP3, WAV, FLAC, AAC, Opus และ PCM ตามความต้องการด้านการเล่นหรือการประมวลผล
• ปรับความเร็วการเล่นได้: API อนุญาตให้ปรับความเร็วตั้งแต่ 0.25x ถึง 4.0x เพื่อการบรรยายที่ช้าลงหรือการเล่นที่เร็วขึ้นตามความเหมาะสม
• ผสานการทำงานผ่าน API ได้ง่าย: tts-1 ใช้งานผ่าน API การสร้างเสียงมาตรฐาน จึงผสานเข้ากับเวิร์กโฟลว์เว็บ มือถือ หรือแบ็กเอนด์ได้ไม่ยาก
• เหมาะสำหรับแอปที่เน้นการทำงานแบบเรียลไทม์: OpenAI ระบุชัดว่า tts-1 ถูกออกแบบมาสำหรับกรณีใช้งาน TTS แบบเรียลไทม์ เหมาะกับผู้ช่วย การแจ้งเตือน และระบบโต้ตอบที่เร็ว
• ทางเลือกโมเดลที่เน้นการแลกเปลี่ยนระหว่างความเร็วกับคุณภาพ: เมื่อเทียบกับ tts-1-hd โมเดลนี้ให้ความสำคัญกับความเร็วมากกว่าความเที่ยงตรงของเสียง ช่วยให้เลือกได้ชัดเจนระหว่างความหน่วงกับคุณภาพ

วิธีเข้าถึงและผสานการทำงานกับ tts-1

ขั้นตอนที่ 1: สมัครเพื่อรับ API Key

หากต้องการเข้าถึง API ของ tts-1 ให้สมัครที่ CometAPI และสร้างคีย์ API จากแดชบอร์ด หลังจากเข้าสู่ระบบ ให้สร้างคีย์ใหม่ คัดลอกอย่างปลอดภัย และเก็บไว้ในตัวแปรสภาพแวดล้อมของแอปพลิเคชัน คุณจะใช้คีย์นี้ในการยืนยันตัวตนของคำขอทั้งหมดไปยัง API ของ tts-1

ขั้นตอนที่ 2: ส่งคำขอไปยัง API ของ tts-1

เมื่อคุณมีคีย์ API แล้ว ให้ส่งคำขอ POST ไปยังปลายทาง CometAPI สำหรับ tts-1 พร้อมเพย์โหลดอินพุต ระบุคีย์ API ในส่วนหัว Authorization และกำหนด tts-1 เป็นโมเดล โดยคำขอทั่วไปจะมีข้อความอินพุตและพารามิเตอร์ TTS เช่น เสียงและรูปแบบการตอบกลับ

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

ขั้นตอนที่ 3: ดึงและตรวจสอบผลลัพธ์

หลังจากส่งคำขอแล้ว หากการเรียกสำเร็จ API ของ tts-1 จะส่งคืนเนื้อหาเสียงที่สร้างขึ้น ให้บันทึกไฟล์หรือสตรีมที่ได้รับ ตรวจสอบว่าเล่นได้ถูกต้อง และยืนยันว่าเสียง ความเร็ว และรูปแบบที่เลือกตรงตามความต้องการของแอปพลิเคชันของคุณ หากจำเป็น ให้ลองอีกครั้งโดยปรับพารามิเตอร์เพื่อปรับปรุงผลลัพธ์สุดท้าย