Konuşmadan metne dinler. Metinden sese karşılık verir. Sesli asistanların ikisine de ihtiyacı vardır.
Nasıl çalışır
Bir TTS API’si üç şey alır: metin, bir ses ve bir ses formatı. OpenAI’nin rehberindeki Python örneği şu yapıdadır:
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")
Rehber /v1/audio/speech uç noktasını, 13 yerleşik sesi ve MP3 (varsayılan), Opus, AAC, FLAC, WAV ve PCM çıktı formatlarını belgeler; PCM, başlıksız ham 24 kHz 16 bit örneklerdir. Chunked transfer encoding ile akışı destekler; böylece oynatma dosya bitmeden başlayabilir. En hızlı yanıtlar için WAV veya PCM önerir. Rehber ayrıca tts-1, tts-1-hd ve gpt-4o-mini-tts modellerini kullanımdan kaldırılmış olarak işaretler; kapanış tarihi 6 Ocak 2027’dir. Bir modelin üzerine inşa etmeden önce güncel model listesine bakın.
Birçok motor, W3C’nin sentez için XML işaretlemesi olan SSML’i de kabul eder. Kök <speak> öğesi version="1.1" ve xml:lang bildirir. Diğer öğeler arasında duraklamalar için <break>, tarih veya sayıları işaretlemek için <say-as>, tam bir telaffuz için (örneğin IPA ile) <phoneme> ve başka dildeki bir ifade için <lang> vardır:
<speak version="1.1" xml:lang="en-US">
Pasta should be cooked <lang xml:lang="it">al dente</lang>.
<break/> Enjoy your meal.
</speak>
Neden önemli
- Ses ürünleri birer işlem hattıdır. Bir sesli bot önce konuşmadan metne, sonra bir sohbet modeli, sonra TTS’tir. Her adım gecikme ve maliyet ekler ve her biri farklı bir sağlayıcı olabilir.
- Format seçimi. Çıktı formatı boyutu ve oynatma desteğini belirler. Örneğin WhatsApp, Ogg Opus sesli notlarını oynatır.
- Bildirim. OpenAI, son kullanıcılara bir TTS sesinin yapay zeka ile üretildiğinin söylenmesini şart koşar.
BroadNet Inference’ta
BroadNet metinden sese sunmaz. API referansı yalnızca POST /v1/chat/completions ve POST /v1/audio/transcriptions uç noktalarını belgeler. Ters yönü sunar: BroadNet Transcribe Arabic ve BroadNet Transcribe, WAV veya MP3 sesi metne dönüştürür; dakika başına fiyatları sırasıyla $0.0042 ve $0.002. BroadNet canlı veya gerçek zamanlı ses de sunmaz.
Ürününüzün konuşması gerekiyorsa BroadNet transkripsiyonunu ve sohbetini ayrı bir TTS sağlayıcısıyla eşleştirin. Metin, konuşma ve görüntü yazısı BroadNet’in hangi işleri karşıladığını ve nerede başka bir hizmete ihtiyaç duyduğunuzu gösterir; WhatsApp chatbot mimarisi yazısı da işlem hattının sesli not tarafını anlatır.
Sık yapılan hatalar
- TTS’yi STT ile karıştırmak. Konuşmadan metne API’leri ses üretmez. Yalnızca “speech” kelimesine değil, uç nokta listesine bakın.
- SSML’in her yerde çalıştığını varsaymak. Birçok API yalnızca düz metin veya SSML’in bir alt kümesini kabul eder.