GPT-4o mini TTS

Thông số kỹ thuật của gpt-4o-mini-tts

gpt-4o-mini-tts là một mô hình chuyển văn bản thành giọng nói được cung cấp qua API âm thanh để tạo ra âm thanh nói tự nhiên từ văn bản. Mô hình được định vị cho các ứng dụng thông minh thời gian thực và hỗ trợ điều khiển dựa trên prompt đối với đặc tính giọng nói như accent, phạm vi cảm xúc, ngữ điệu, mô phỏng, tốc độ nói, tông giọng và thì thầm.

Về mặt API, gpt-4o-mini-tts được sử dụng với điểm cuối tạo giọng nói và chấp nhận các đầu vào cốt lõi gồm ID mô hình, văn bản đầu vào và giọng đọc đã chọn. Giới hạn văn bản đầu vào là 4096 ký tự cho mỗi yêu cầu. Các giọng đọc dựng sẵn được hỗ trợ gồm alloy, ash, ballad, coral, echo, fable, onyx, nova, sage, shimmer, verse, marin và cedar, đồng thời hỗ trợ đối tượng giọng đọc tùy chỉnh khi khả dụng.

Mô hình hỗ trợ nhiều định dạng đầu ra cho âm thanh tạo ra, gồm mp3, opus, aac, flac, wav và pcm. Mô hình cũng hỗ trợ tốc độ nói có thể cấu hình từ 0.25 đến 4.0, với mặc định là 1.0. Về hành vi phân phối, API hỗ trợ xuất âm thanh trực tiếp cũng như các tùy chọn phát trực tuyến, bao gồm streaming SSE cho các quy trình phát lại phản hồi nhanh.

Các kịch bản triển khai điển hình gồm trợ lý giọng nói, IVR và các luồng liên hệ, trải nghiệm đọc to sản phẩm, thuyết minh hỗ trợ tiếp cận và tạo giọng nói cho nội dung truyền thông, nơi độ trễ thấp và đầu ra giọng nói tự nhiên rất quan trọng. Điều này phù hợp với định vị được tài liệu hóa của mô hình cho việc tạo âm thanh thời gian thực.

gpt-4o-mini-tts là gì?

gpt-4o-mini-tts là mô hình chuyển văn bản thành giọng nói dựa trên mạng nơ-ron, chuyển văn bản viết thành âm thanh tự nhiên, giàu biểu cảm cho các ứng dụng hướng người dùng. Mô hình được thiết kế cho các nhóm cần tạo giọng nói nhanh mà không phải xây dựng và huấn luyện một stack giọng nói tùy chỉnh từ đầu.

Về mặt thực tiễn, nhà phát triển gửi văn bản cùng một giọng đọc đã chọn tới API giọng nói, và mô hình trả về âm thanh tổng hợp có thể được lưu, phát trực tuyến hoặc phát lại trong ứng dụng. Nhờ hỗ trợ nhiều giọng đọc, các định dạng xuất âm thanh phổ biến và phương thức phân phối thân thiện với streaming, mô hình rất phù hợp với các giao diện trong môi trường sản xuất cần phản hồi bằng lời nói với độ trễ tối thiểu.

So với các pipeline TTS cơ bản, gpt-4o-mini-tts đặc biệt hữu ích khi trải nghiệm cần nhiều hơn một giọng đọc máy móc. Các điều khiển được tài liệu hóa đối với tông giọng, nhịp độ, accent và phong cách biểu cảm khiến mô hình trở thành lựa chọn mạnh mẽ cho trợ lý, quy trình có hướng dẫn, tự động hóa dịch vụ khách hàng và trải nghiệm giọng nói theo thương hiệu.

Các tính năng chính của gpt-4o-mini-tts

• Tạo giọng nói tự nhiên: Chuyển văn bản thành âm thanh nói giống người, hướng tới trải nghiệm người dùng và tình huống thời gian thực.
• Phân phối độ trễ thấp: Được thiết kế cho các ứng dụng thông minh thời gian thực, phù hợp với giao diện hội thoại và luồng phát lại phản hồi nhanh.
• Giọng đọc có thể lựa chọn: Hỗ trợ nhiều giọng đọc dựng sẵn như alloy, ash, ballad, coral, echo, fable, onyx, nova, sage, shimmer, verse, marin và cedar.
• Điều khiển biểu cảm: Có thể dùng prompt để định hình accent, phạm vi cảm xúc, ngữ điệu, mô phỏng, tốc độ nói, tông giọng và thì thầm.
• Nhiều định dạng âm thanh: Xuất giọng nói tạo ra ở các định dạng mp3, opus, aac, flac, wav và pcm để đáp ứng nhu cầu ứng dụng và phát lại.
• Hỗ trợ tổng hợp theo luồng: Hỗ trợ hành vi phản hồi theo hướng streaming, bao gồm SSE, cho các ứng dụng cần phân phối âm thanh tiến dần.
• Tích hợp API đơn giản: Hoạt động qua API tạo giọng nói đơn giản với các tham số model, văn bản đầu vào và giọng đọc.
• Lộ trình giọng đọc tùy chỉnh: Có thể kết hợp với đối tượng giọng đọc tùy chỉnh khi đủ điều kiện tài khoản và có quy trình tạo giọng đọc.

Cách truy cập và tích hợp gpt-4o-mini-tts

Bước 1: Đăng ký lấy khóa API

Để bắt đầu sử dụng gpt-4o-mini-tts, trước tiên hãy tạo tài khoản trên CometAPI và tạo khóa API từ bảng điều khiển. Sau khi đăng nhập, sao chép khóa và lưu trữ an toàn, vì bạn sẽ dùng khóa để xác thực mọi yêu cầu tới API.

Bước 2: Gửi yêu cầu tới API gpt-4o-mini-tts

Khi đã có khóa API, bạn có thể gọi điểm cuối tương thích OpenAI của CometAPI và chỉ định model là 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)

Bước 3: Nhận và kiểm tra kết quả

Sau khi gửi yêu cầu, CometAPI trả về đầu ra âm thanh đã tạo cho gpt-4o-mini-tts. Hãy lưu tệp trả về hoặc phát trực tiếp vào ứng dụng của bạn, rồi xác minh rằng giọng đọc đã chọn, định dạng, nhịp độ và chất lượng âm thanh tổng thể phù hợp với yêu cầu sản phẩm. Nếu cần, điều chỉnh văn bản đầu vào, lựa chọn giọng đọc, định dạng đầu ra hoặc thiết lập giọng nói và gửi lại yêu cầu cho đến khi kết quả phù hợp với trường hợp sử dụng của bạn.