---
title: "Ano ang text-to-speech (TTS)? Paano gumagana ang speech API"
description: "Ginagawang binigkas na audio ng text-to-speech ang nakasulat na text. Paano gumagana ang TTS API, ang SSML, mga output format, at bakit walang TTS ang BroadNet."
url: https://broadrouter.com/fil/glossary/text-to-speech/
lang: fil
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Isinalin mula sa Ingles sa tulong ng AI. [Basahin ang orihinal sa Ingles](https://broadrouter.com/glossary/text-to-speech/) (na-update noong 2026-11-15).

# Text-to-speech (TTS)

Na-update 2026-11-15

Ang text-to-speech (TTS), o speech synthesis, ay ang paggawa ng binigkas na audio mula sa nakasulat na text. Tumatanggap ang TTS API ng text, boses at output format gaya ng MP3 o WAV, at nagbabalik ng nabuong pananalita. Kabaligtaran ito ng speech-to-text, na ginagawang text ang audio.

Tinatawag ding: text to voice, AI voice, TTS, text to speech, speech synthesis

Nakikinig ang speech-to-text. Sumasagot nang pasalita ang text-to-speech. Kailangan ng mga voice assistant ang dalawa.

## Paano ito gumagana

Tatlong bagay ang tinatanggap ng TTS API: ang text, isang boses, at isang audio format. Ito ang hugis ng Python na halimbawa sa gabay ng OpenAI:

```python
from openai import OpenAI
client = OpenAI()
with client.audio.speech.with_streaming_response.create(
    model="gpt-4o-mini-tts",
    voice="coral",
    input="Today is a wonderful day to build something people love!",
    instructions="Speak in a cheerful and positive tone.",
) as response:
    response.stream_to_file("speech.mp3")
```

Dinodokumento ng gabay nito ang `/v1/audio/speech` endpoint, 13 built-in na boses, at mga output format na MP3 (default), Opus, AAC, FLAC, WAV at PCM, kung saan raw na 24 kHz 16-bit na sample na walang header ang PCM. Sinusuportahan nito ang streaming gamit ang chunked transfer encoding, kaya puwedeng magsimula ang playback bago matapos ang file, at inirerekomenda nito ang WAV o PCM para sa pinakamabilis na response. Minamarkahan din ng gabay na deprecated ang `tts-1`, `tts-1-hd` at `gpt-4o-mini-tts`, na may shutdown sa 6 Enero 2027. Tingnan ang kasalukuyang listahan ng model bago ka bumuo sa isa.

Marami ring engine na tumatanggap ng SSML, ang XML markup ng W3C para sa synthesis. Idinedeklara ng root na `<speak>` element ang `version="1.1"` at `xml:lang`. Kasama sa ibang element ang `<break>` para sa paghinto, `<say-as>` para markahan ang petsa o numero, `<phoneme>` para sa eksaktong bigkas (halimbawa sa IPA) at `<lang>` para sa pariralang nasa ibang wika:

```xml
<speak version="1.1" xml:lang="en-US">
  Pasta should be cooked <lang xml:lang="it">al dente</lang>.
  <break/> Enjoy your meal.
</speak>
```

## Bakit ito mahalaga

-   **Mga pipeline ang voice product.** Ang voice bot ay [speech-to-text](https://broadrouter.com/fil/glossary/speech-to-text/), saka chat model, saka TTS. Nagdadagdag ng [latency](https://broadrouter.com/fil/glossary/latency/) at gastos ang bawat hakbang, at puwedeng magkakaibang provider ang bawat isa.
-   **Pagpili ng format.** Ang output format ang nagpapasya sa laki at sa suporta sa playback. Halimbawa, nagpe-play ang WhatsApp ng mga voice note na [Ogg Opus](https://broadrouter.com/fil/glossary/ogg-opus/).
-   **Disclosure.** Hinihingi ng OpenAI na sabihin sa mga end user na AI-generated ang boses ng TTS.

## Sa BroadNet Inference

Walang text-to-speech ang BroadNet. `POST /v1/chat/completions` at `POST /v1/audio/transcriptions` lang ang dinodokumento ng API reference nito. Ang kabilang direksiyon ang inaalok nito: ginagawang text ng [BroadNet Transcribe Arabic](https://broadrouter.com/fil/models/cohere-transcribe-arabic/) at [BroadNet Transcribe](https://broadrouter.com/fil/models/cohere-transcribe/) ang WAV o MP3 na audio, sa $0.0042 at $0.002 kada minuto. Wala ring live o real-time na voice ang BroadNet.

Kung kailangang magsalita ng produkto mo, ipares ang transcription at chat ng BroadNet sa hiwalay na TTS provider. Ipinapakita ng [Text, speech at vision](https://broadrouter.com/fil/blog/text-speech-vision/) kung aling mga trabaho ang sakop ng BroadNet at kung saan mo kailangan ng ibang serbisyo, at ipinapakita ng post na [WhatsApp chatbot architecture](https://broadrouter.com/fil/blog/arabic-whatsapp-chatbot-architecture/) ang voice-note na bahagi ng pipeline.

## Mga karaniwang pagkakamali

-   **Pagkalito sa TTS at STT.** Hindi gumagawa ng audio ang mga speech-to-text API. Tingnan ang listahan ng endpoint, hindi lang ang salitang “speech”.
-   **Pag-aakalang gumagana ang SSML kahit saan.** Maraming API ang plain text lang o bahagi lang ng SSML ang tinatanggap.

## Mga tanong

### May text-to-speech ba ang BroadNet Inference?

Wala. Dalawang endpoint ang dokumentado ng BroadNet: chat completions at audio transcription. Walang /v1/audio/speech. Gumamit ng hiwalay na TTS provider kung kailangang magsalita ng app mo.

### Ano ang SSML?

Speech Synthesis Markup Language, isang W3C Recommendation (version 1.1, 2010). XML ito na kumokontrol sa bigkas, paghinto, pitch, bilis at paglipat ng wika sa synthesized na pananalita. Nag-iiba ang suporta kada TTS provider.

### Kailangan ko bang sabihin sa mga user na AI-generated ang boses?

Ayon sa usage policies ng OpenAI, na sinipi sa TTS guide nito, kailangan ng malinaw na disclosure na AI-generated ang boses. Tingnan ang terms ng sarili mong provider at ang lokal na batas.

## Tingnan din

-   [Speech-to-text (STT)](https://broadrouter.com/fil/glossary/speech-to-text/) (termino)
-   [Multimodal AI](https://broadrouter.com/fil/glossary/multimodal/) (termino)
-   [Ogg Opus](https://broadrouter.com/fil/glossary/ogg-opus/) (termino)
-   [WAV](https://broadrouter.com/fil/glossary/wav/) (termino)
-   [Streaming](https://broadrouter.com/fil/glossary/streaming/) (termino)
-   [Text, speech o vision? Magsimula sa task](https://broadrouter.com/fil/blog/text-speech-vision/) (artikulo)
-   [Arabic WhatsApp chatbot architecture: mula voice note hanggang reply](https://broadrouter.com/fil/blog/arabic-whatsapp-chatbot-architecture/) (artikulo)

Subukan ito sa totoong workload mo. May US$5 na panimulang credit ang mga bagong account para sa Gemma at transcription. Kailangan ng top-up para sa DeepSeek, GLM, at Qwen3.8.

[Magsimula](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-glossary-text-to-speech&utm_content=page-cta) ·

**Mga source**

-   [Docs ng OpenAI API, gabay sa text to speech: /v1/audio/speech, mga boses, output format, patakaran sa disclosure (sinuri noong 2026-11-15)](https://developers.openai.com/api/docs/guides/text-to-speech)
-   [W3C, Speech Synthesis Markup Language (SSML) Version 1.1, Recommendation (sinuri noong 2026-11-15)](https://www.w3.org/TR/speech-synthesis11/)
-   [API reference ng BroadNet Inference: mga endpoint ng chat completions at audio transcription (sinuri noong 2026-11-15) (Ingles)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-glossary-text-to-speech&utm_content=sources)
