tts-1

tts-1 کی تکنیکی خصوصیات

tts-1 کیا ہے؟

tts-1 OpenAI کا ٹیکسٹ ٹو اسپیچ ماڈل ہے جو لکھے ہوئے متن کو قدرتی آواز میں آڈیو میں تبدیل کرتا ہے۔ یہ OpenAI کے کلاسک TTS ماڈلز میں تیز تر اور کم تاخیر والا آپشن ہے، اس لیے ایسی ایپلی کیشنز کے لیے موزوں ہے جنہیں اعلیٰ ترین فِڈیلٹی کے بجائے تیز اسپیچ جنریشن درکار ہو۔

ڈویلپرز عام طور پر tts-1 کو Audio API کے اسپیچ جنریشن اینڈ پوائنٹ کے ذریعے استعمال کرتے ہیں، جب وہ ایپلیکیشن ٹیکسٹ، پرامپٹس، نوٹیفیکیشنز، نیریشنز یا اسسٹنٹ ریسپانسز کو قابلِ پلے آڈیو فائلز میں بدلنا چاہتے ہیں۔ دستاویزات کے مطابق یہ ماڈل ریئل ٹائم ٹیکسٹ ٹو اسپیچ کے معاملات کے لیے موزوں بنایا گیا ہے۔

عملی طور پر، tts-1 ہلکے وزن کے وائس ایکسپرینسز، تیز ریسپانس سسٹمز، انٹرایکٹو پروٹوٹائپس، اور ایسے پراڈکٹس کے لیے موزوں ہے جہاں فوری ردِعمل، پریمیم وائس کوالٹی سے زیادہ اہم ہو۔ اگر زیادہ سے زیادہ معیار ترجیح ہو تو OpenAI صارفین کو tts-1-hd کی طرف رہنمائی کرتا ہے، جبکہ نئی اظہاریت کی ضروریات کے لیے مزید نئے TTS ماڈلز استعمال کیے جا سکتے ہیں۔

tts-1 کی نمایاں خصوصیات

• کم تاخیر والی اسپیچ جنریشن: tts-1 خاص طور پر رفتار کے لیے بہتر بنایا گیا ہے، اس لیے ان ایپس میں مفید ہے جہاں جلدی بولنے والا آؤٹ پٹ درکار ہو۔
• قدرتی آواز جیسا ٹیکسٹ ٹو اسپیچ: ماڈل عام متن کو اسپیچ میں تبدیل کرتا ہے جو نیریشن، اسسٹنٹ ریسپانسز اور وائس انٹرفیسز کے لیے موزوں ہے۔
• متعدد بلٹ اِن آوازیں: tts-1 میں alloy، ash، coral، echo، fable، onyx، nova، sage، اور shimmer جیسی بلٹ اِن آوازیں دستیاب ہیں۔
• لچکدار آڈیو آؤٹ پٹ فارمیٹس: ڈویلپرز ضرورت کے مطابق MP3، WAV، FLAC، AAC، Opus، اور PCM جیسے عام فارمیٹس میں آڈیو حاصل کر سکتے ہیں۔
• پلے بیک سپیڈ کی ترتیب: API میں رفتار 0.25 سے 4.0 تک سیٹ کی جا سکتی ہے، تاکہ نیریشن سست یا تیز پلے بیک حالات کے مطابق ہو۔
• سادہ API انضمام: tts-1 معیاری اسپیچ جنریشن API کے ذریعے دستیاب ہے، اس لیے ویب، موبائل یا بیک اینڈ ورک فلو میں انٹیگریشن سیدھا ہے۔
• ریئل ٹائم پر مرکوز ایپلی کیشنز کے لیے موزوں: OpenAI واضح طور پر tts-1 کو ریئل ٹائم ٹیکسٹ ٹو اسپیچ منظرناموں کے لیے فریم کرتا ہے، جو اسسٹنٹس، نوٹیفیکیشنز اور تیز انٹرایکٹو سسٹمز کے لیے عملی ہے۔
• لیٹنسی بمقابلہ معیار کا واضح توازن: tts-1-hd کے مقابلے میں یہ ماڈل زیادہ رفتار اور کم تاخیر کو ترجیح دیتا ہے، جس سے ڈویلپرز کو لیٹنسی اور کوالٹی کے درمیان واضح انتخاب ملتا ہے۔

tts-1 تک رسائی اور انضمام کا طریقہ

مرحلہ 1: API Key کے لیے سائن اپ کریں

tts-1 API تک رسائی کے لیے پہلے CometAPI پر سائن اپ کریں اور ڈیش بورڈ سے اپنی API key بنائیں۔ لاگ اِن کے بعد نئی key تخلیق کریں، اسے محفوظ طریقے سے کاپی کریں، اور اپنی ایپلیکیشن کے environment variables میں محفوظ کریں۔ یہ key آپ tts-1 API کی تمام درخواستوں کی توثیق کے لیے استعمال کریں گے۔

مرحلہ 2: tts-1 API کو درخواستیں بھیجیں

جب آپ کے پاس API key ہو، تو tts-1 کے لیے CometAPI اینڈ پوائنٹ پر اپنے ان پٹ پے لوڈ کے ساتھ ایک POST درخواست بھیجیں۔ اپنی API key کو Authorization ہیڈر میں شامل کریں اور ماڈل کے طور پر tts-1 متعین کریں۔ ایک معیاری درخواست میں ان پٹ ٹیکسٹ کے ساتھ TTS کے پیرا میٹرز (جیسے voice اور response format) شامل ہوتے ہیں۔

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

مرحلہ 3: نتائج حاصل کریں اور تصدیق کریں

درخواست جمع کرانے کے بعد، اگر کال کامیاب ہو تو tts-1 API جنریٹ کیا ہوا آڈیو واپس کرتی ہے۔ فائل کو محفوظ یا اسٹریم کریں، تصدیق کریں کہ آڈیو درست طور پر چل رہا ہے، اور یہ کہ منتخب کردہ آواز، رفتار، اور فارمیٹ آپ کی ضروریات کے مطابق ہیں۔ ضرورت پڑنے پر، آخری نتیجے کو بہتر بنانے کے لیے پیرا میٹرز میں تبدیلی کے ساتھ دوبارہ کوشش کریں۔