GPT-4o mini TTS

gpt-4o-mini-tts کی تکنیکی خصوصیات

gpt-4o-mini-tts ایک ٹیکسٹ ٹو اسپیچ ماڈل ہے جو آڈیو اسپیچ API کے ذریعے دستیاب ہے اور متن سے قدرتی انداز کی بولی جانے والی آواز تیار کرتا ہے۔ یہ ذہین ریئل ٹائم ایپلیکیشنز کے لیے موزوں ہے اور پرامپٹ کی بنیاد پر اسپیچ کی خصوصیات جیسے لہجہ، جذباتی دائرہ، آہنگ، نقالی، بولنے کی رفتار، ٹون اور سرگوشی پر کنٹرول فراہم کرتا ہے۔

API کے نقطۂ نظر سے، gpt-4o-mini-tts اسپیچ جنریشن اینڈپوائنٹ کے ساتھ استعمال ہوتا ہے اور بنیادی ان پٹس قبول کرتا ہے جن میں ماڈل ID، ان پٹ متن، اور منتخب کردہ آواز شامل ہیں۔ ہر درخواست کے لیے ان پٹ متن کی حد 4096 حروف ہے۔ معاون بلٹ اِن آوازوں میں alloy، ash، ballad، coral، echo، fable، onyx، nova، sage، shimmer، verse، marin اور cedar شامل ہیں، اور جہاں دستیاب ہو وہاں کسٹم وائس آبجیکٹس کی سپورٹ بھی موجود ہے۔

یہ ماڈل تیار کردہ آڈیو کے لیے متعدد آؤٹ پٹ فارمیٹس کی حمایت کرتا ہے، جن میں mp3، opus، aac، flac، wav اور pcm شامل ہیں۔ یہ 0.25 سے 4.0 تک قابلِ ترتیب بولنے کی رفتار کی بھی حمایت کرتا ہے، جس میں 1.0 بطور ڈیفالٹ ہے۔ ترسیلی طرزِ عمل کے لیے، API براہِ راست آڈیو آؤٹ پٹ کے ساتھ اسٹریمنگ اختیارات بھی فراہم کرتی ہے، جن میں ریسپانسِو پلے بیک ورک فلو کے لیے SSE اسٹریمنگ شامل ہے۔

عام نفاذ کے منظرناموں میں وائس اسسٹنٹس، IVR اور کانٹیکٹ فلو، پروڈکٹ پڑھ کر سنانے کے تجربات، قابلِ رسائی نیریشن، اور میڈیا وائس جنریشن شامل ہیں جہاں کم تاخیر اور قدرتی آواز اہمیت رکھتی ہے۔ یہ ماڈل ریئل ٹائم آڈیو جنریشن کے لیے دستاویز میں بیان کردہ اپنی پوزیشننگ کے مطابق ہے۔

gpt-4o-mini-tts کیا ہے؟

gpt-4o-mini-tts ایک عصبی ٹیکسٹ ٹو اسپیچ ماڈل ہے جو تحریری متن کو صارف سامنا کار ایپلیکیشنز کے لیے جذباتی اور قدرتی آڈیو میں بدل دیتا ہے۔ یہ ان ٹیموں کے لیے تیار کیا گیا ہے جنہیں بغیر کسی کسٹم اسپیچ اسٹیک کو ابتدا سے بنانے اور ٹرین کرنے کے تیز رفتار وائس جنریشن درکار ہو۔

عملی طور پر، ڈویلپرز منتخب کردہ آواز کے ساتھ متن کو اسپیچ API پر بھیجتے ہیں، اور ماڈل مصنوعی آڈیو لوٹاتا ہے جسے ایپ میں محفوظ، اسٹریم یا چلایا جا سکتا ہے۔ متعدد آوازوں، عام آڈیو ایکسپورٹ فارمیٹس، اور اسٹریمنگ موافق ترسیل کی سپورٹ کے باعث، یہ ان پروڈکشن انٹرفیس کے لیے موزوں ہے جنہیں کم سے کم تاخیر کے ساتھ بولی جانے والے جوابات درکار ہوں۔

بنیادی TTS پائپ لائنز کے مقابلے میں، gpt-4o-mini-tts خاص طور پر اس وقت مفید ہے جب تجربہ محض روبوٹ نما نیریشن سے بڑھ کر درکار ہو۔ ٹون، رفتار، لہجے، اظہاریت اور نقالی پر دستاویزی کنٹرول اسے اسسٹنٹس، گائیڈڈ ورک فلو، کسٹمر سروس آٹومیشن، اور برانڈڈ وائس تجربات کے لیے ایک مضبوط انتخاب بناتے ہیں۔

gpt-4o-mini-tts کی اہم خصوصیات

• قدرتی اسپیچ جنریشن: متن کو انسانی مانند بولی جانے والی آڈیو میں تبدیل کرتی ہے، جو صارف سامنا کار اور ریئل ٹائم تجربات کے لیے موزوں ہے۔
• کم تاخیر کے ساتھ ترسیل: ذہین ریئل ٹائم ایپلیکیشنز کے لیے ڈیزائن کیا گیا، مکالماتی انٹرفیس اور ریسپانسِو پلے بیک فلو کے لیے مناسب۔
• منتخب کی جانے والی آوازیں: alloy، ash، ballad، coral، echo، fable، onyx، nova، sage، shimmer، verse، marin، اور cedar جیسی بلٹ اِن آوازوں کی سپورٹ۔
• اظہاریت پر کنٹرول: پرامپٹس کے ذریعے لہجہ، جذباتی دائرہ، آہنگ، نقالی، ٹون، سرگوشی، اور بولنے کی رفتار کو شکل دینے کی صلاحیت۔
• متعدد آڈیو فارمیٹس: mp3، opus، aac، flac، wav، اور pcm فارمیٹس میں آڈیو ایکسپورٹ۔
• اسٹریمنگ سنتھیسِس سپورٹ: اسٹریمنگ پر مبنی ریسپانس رویہ، بشمول SSE، ان ایپلیکیشنز کے لیے جو بتدریج آڈیو کی ترسیل چاہتی ہیں۔
• سادہ API انضمام: ماڈل، ان پٹ متن، اور آواز کے پیرا میٹرز کے ساتھ سیدھی اسپیچ جنریشن API کے ذریعے کام کرتا ہے۔
• حسبِ ضرورت آواز کا راستہ: جہاں دستیاب ہو، کسٹم وائس آبجیکٹس کے ساتھ جوڑا جا سکتا ہے۔

gpt-4o-mini-tts تک رسائی اور انضمام کا طریقہ

مرحلہ 1: API کلید کے لیے سائن اپ کریں

gpt-4o-mini-tts استعمال کرنے کے لیے، پہلے CometAPI پر اکاؤنٹ بنائیں اور ڈیش بورڈ سے اپنی API کلید جنریٹ کریں۔ سائن اِن کے بعد کلید کو کاپی کر کے محفوظ رکھیں، کیونکہ API پر ہر درخواست کی توثیق کے لیے یہی استعمال ہوگی۔

مرحلہ 2: gpt-4o-mini-tts API کو درخواستیں بھیجیں

جب آپ کے پاس API کلید ہو، تو آپ CometAPI کے OpenAI سے مطابقت رکھنے والے اینڈپوائنٹ کو کال کر سکتے ہیں اور ماڈل کو gpt-4o-mini-tts کے طور پر متعین کر سکتے ہیں۔

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)

مرحلہ 3: نتائج حاصل کریں اور تصدیق کریں

درخواست بھیجنے کے بعد، CometAPI gpt-4o-mini-tts کے لیے تیار کردہ آڈیو آؤٹ پٹ واپس کرتی ہے۔ موصولہ فائل کو محفوظ کریں یا اپنی ایپ میں براہِ راست اسٹریم کریں، پھر تصدیق کریں کہ منتخب کردہ آواز، فارمیٹ، بہاؤ، اور مجموعی آڈیو کوالٹی آپ کی پروڈکٹ کی ضروریات سے مطابقت رکھتی ہے۔ ضرورت ہو تو ان پٹ متن، آواز کا انتخاب، آؤٹ پٹ فارمیٹ، یا اسپیچ سیٹنگز کو ایڈجسٹ کریں اور مطلوبہ نتیجہ ملنے تک دوبارہ درخواست بھیجیں۔