Speech-to-text mendengar. Text-to-speech menjawab dengan suara. Pembantu suara memerlukan kedua-duanya.
Cara ia berfungsi
API TTS menerima tiga perkara: teks, suara dan format audio. Inilah bentuk contoh Python dalam 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 mendokumenkan endpoint /v1/audio/speech, 13 suara terbina dalam, dan format output MP3 (lalai), Opus, AAC, FLAC, WAV dan PCM, di mana PCM ialah sampel mentah 24 kHz 16-bit tanpa pengepala. Ia menyokong penstriman dengan chunked transfer encoding, jadi main balik boleh bermula sebelum fail siap, dan mengesyorkan WAV atau PCM untuk respons paling pantas. Panduan itu juga menandakan tts-1, tts-1-hd dan gpt-4o-mini-tts sebagai deprecated, dengan penutupan pada 6 Januari 2027. Semak senarai model semasa sebelum anda membina di atas mana-mana model.
Banyak enjin juga menerima SSML, markup XML W3C untuk sintesis. Elemen akar <speak> mengisytiharkan version="1.1" dan xml:lang. Elemen lain termasuk <break> untuk jeda, <say-as> untuk menandakan tarikh atau nombor, <phoneme> untuk sebutan yang tepat (contohnya 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 ia penting
- Produk suara ialah saluran paip. Bot suara ialah speech-to-text, kemudian model chat, kemudian TTS. Setiap langkah menambah kependaman dan kos, dan setiap satu boleh daripada penyedia berbeza.
- Pilihan format. Format output menentukan saiz dan sokongan main balik. WhatsApp, contohnya, memainkan nota suara Ogg Opus.
- Pendedahan. OpenAI mewajibkan pengguna akhir dimaklumkan bahawa suara TTS dijana AI.
Di BroadNet Inference
BroadNet tidak menawarkan text-to-speech. Rujukan API-nya hanya mendokumenkan POST /v1/chat/completions dan POST /v1/audio/transcriptions. Ia menawarkan arah sebaliknya: BroadNet Transcribe Arabic dan BroadNet Transcribe menukar audio WAV atau MP3 kepada teks, pada $0.0042 dan $0.002 seminit. BroadNet juga tidak menawarkan suara langsung atau masa nyata.
Jika produk anda perlu bercakap, padankan transkripsi dan chat BroadNet dengan penyedia TTS berasingan. Teks, pertuturan dan penglihatan memetakan tugas yang diliputi BroadNet dan di mana anda memerlukan perkhidmatan lain, dan hantaran seni bina chatbot WhatsApp menunjukkan bahagian nota suara dalam saluran paip itu.
Kesilapan biasa
- Mengelirukan TTS dengan STT. API speech-to-text tidak menjana audio. Semak senarai endpoint, bukan sekadar perkataan “speech”.
- Menganggap SSML berfungsi di mana-mana. Banyak API hanya menerima teks biasa atau sebahagian SSML.