Speech-to-text mendengarkan. Text-to-speech menjawab dengan suara. Asisten suara membutuhkan keduanya.
Cara kerjanya
API TTS menerima tiga hal: teks, suara, dan format audio. Berikut bentuk contoh Python di panduan OpenAI:
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")
Panduannya mendokumentasikan endpoint /v1/audio/speech, 13 suara bawaan, dan format output MP3 (default), Opus, AAC, FLAC, WAV, dan PCM, di mana PCM adalah sampel mentah 24 kHz 16-bit tanpa header. API ini mendukung streaming dengan chunked transfer encoding, sehingga pemutaran bisa dimulai sebelum file selesai, dan menyarankan WAV atau PCM untuk respons tercepat. Panduan itu juga menandai tts-1, tts-1-hd, dan gpt-4o-mini-tts sebagai deprecated, dengan penghentian pada 6 Januari 2027. Cek daftar model terbaru sebelum membangun di atas salah satunya.
Banyak engine juga menerima SSML, markup XML dari W3C untuk sintesis ucapan. Elemen root <speak> mendeklarasikan version="1.1" dan xml:lang. Elemen lainnya antara lain <break> untuk jeda, <say-as> untuk menandai tanggal atau angka, <phoneme> untuk pelafalan yang persis (misalnya dalam IPA), dan <lang> untuk frasa dalam bahasa lain:
<speak version="1.1" xml:lang="en-US">
Pasta should be cooked <lang xml:lang="it">al dente</lang>.
<break/> Enjoy your meal.
</speak>
Mengapa penting
- Produk suara adalah pipeline. Voice bot terdiri dari speech-to-text, lalu model chat, lalu TTS. Setiap langkah menambah latensi dan biaya, dan masing-masing bisa dari penyedia berbeda.
- Pilihan format. Format output menentukan ukuran dan dukungan pemutaran. WhatsApp, misalnya, memutar voice note Ogg Opus.
- Pengungkapan. OpenAI mewajibkan pengguna akhir diberi tahu bahwa suara TTS dihasilkan AI.
Di BroadNet Inference
BroadNet tidak menyediakan text-to-speech. Referensi API-nya hanya mendokumentasikan POST /v1/chat/completions dan POST /v1/audio/transcriptions. BroadNet menyediakan arah sebaliknya: BroadNet Transcribe Arabic dan BroadNet Transcribe mengubah audio WAV atau MP3 menjadi teks, dengan harga $0.0042 dan $0.002 per menit. BroadNet juga tidak menyediakan suara live atau real-time.
Jika produk Anda harus bisa berbicara, pasangkan transkripsi dan chat BroadNet dengan penyedia TTS terpisah. Teks, suara, dan visi memetakan pekerjaan mana yang ditangani BroadNet dan kapan Anda butuh layanan lain, dan artikel arsitektur chatbot WhatsApp menunjukkan sisi voice note dari pipeline tersebut.
Kesalahan umum
- Tertukar antara TTS dan STT. API speech-to-text tidak menghasilkan audio. Periksa daftar endpoint-nya, bukan hanya kata “speech”.
- Mengira SSML berfungsi di mana saja. Banyak API hanya menerima teks biasa atau sebagian SSML.