介绍

音频 API 提供基于 TTS（文本转语音）模型的语音终结点。它带有 6 种内置语音，可用于：

叙述书面博客文章
生成多种语言的语音音频
使用流式传输提供实时音频输出

请注意，我们的使用政策要求您向最终用户明确披露他们听到的 TTS 语音是 AI 生成的，而不是人声。

快速入门

终结点接收三个关键输入：模型、应转换为音频的文本以及用于音频生成的语音。一个简单的请求如下所示：speech

from pathlib import Path
from openai import OpenAI
client = OpenAI()

speech_file_path = Path(__file__).parent / "speech.mp3"
response = client.audio.speech.create(
  model="tts-1",
  voice="alloy",
  input="Today is a wonderful day to build something people love!"
)

response.stream_to_file(speech_file_path)

默认情况下，端点将输出语音音频的 MP3 文件，但也可以配置为输出我们支持的任何格式。

音频质量

对于实时应用程序，标准模型提供最低的延迟，但质量低于模型。由于音频的生成方式，在某些情况下可能会生成比 .在某些情况下，音频可能没有明显的差异，具体取决于您的收听设备和个人。tts-1 tts-1-hd

语音选项

尝试使用不同的声音，以找到符合您想要的语气和听众的声音。当前语音针对英语进行了优化。alloy echo fable onyx nova shimmer

支持的输出格式

默认响应格式为“mp3”，但也可以使用其他格式，如“opus”、“aac”或“flac”。

Opus：用于互联网流媒体和通信，低延迟。

AAC：用于数字音频压缩，YouTube、Android、iOS 首选。

FLAC：用于无损音频压缩，深受音频爱好者的青睐，用于存档。

支持的语言

TTS 模型在语言支持方面通常遵循 Whisper 模型。Whisper 支持以下语言，尽管当前的声音针对英语进行了优化，但性能良好：

南非荷兰语、阿拉伯语、亚美尼亚语、阿塞拜疆语、白俄罗斯语、波斯尼亚语、保加利亚语、加泰罗尼亚语、中文、克罗地亚语、捷克语、丹麦语、荷兰语、英语、爱沙尼亚语、芬兰语、法语、加利西亚语、德语、希腊语、希伯来语、印地语、匈牙利语、冰岛语、印度尼西亚语、意大利语、日语、卡纳达语、哈萨克语、拉脱维亚语、立陶宛语、马其顿语、马来语、马拉地语、毛利语、尼泊尔语、挪威语、波斯语、波兰语、葡萄牙语、罗马尼亚语、俄语、塞尔维亚语、斯洛伐克语、斯洛文尼亚语、西班牙语、斯瓦希里语、瑞典语、他加禄语、泰米尔语、泰米尔语、土耳其语、乌克兰语、乌尔都语、越南语和威尔士语。

您可以通过以所选语言提供输入文本来生成这些语言的语音音频。

流式传输实时音频

语音 API 支持使用区块传输编码的实时音频流式处理。这意味着在生成完整文件并使其可访问之前，可以播放音频。

from openai import OpenAI

client = OpenAI()

response = client.audio.speech.create(
    model="tts-1",
    voice="alloy",
    input="Hello world! This is a streaming test.",
)

response.stream_to_file("output.mp3")

常见问题

如何控制生成音频的情绪范围？

没有直接的机制来控制所生成音频的情感输出。某些因素可能会影响输出音频，例如大小写或语法，但我们对这些因素的内部测试产生了不同的结果。

我可以创建自己声音的自定义副本吗？

不，这不是我们支持的东西。

我是否拥有输出的音频文件？

是的，就像我们 API 的所有输出一样，创建它们的人拥有输出。您仍然需要通知最终用户，他们听到的是 AI 生成的音频，而不是真人与他们交谈。

相关指南：本转换为音频

请求参数

Header 参数

Content-Type

string

必需

示例值:

application/json

Authorization

string

必需

示例值:

Bearer {{YOUR_API_KEY}}

string

必需

默认值:

application/json

Body 参数application/json

model

string

必需

可用的 TTS 模型之一:tts-1 或 tts-1-hd

input

string

必需

要生成音频的文本。最大长度为4096个字符。

voice

string

必需

生成音频时使用的语音。支持的语音有:alloy、echo、fable、onyx、nova 和 shimmer。

response_format

string

可选

默认为 mp3 音频的格式。支持的格式有:mp3、opus、aac 和 flac。

speed

number

可选

默认为 1 生成的音频速度。选择0.25到4.0之间的值。1.0是默认值。

示例

{
    "model": "tts-1-hd",
    "input": "当然，很高兴为您做个自我介绍。我是一个由GAI团队训练的大语言模型，被称为pupil。我被设计用于回答各种问题，提供信息，进行对话和交流。我可以帮助您解答问题，提供建议，分享知识，并与您进行有意义的对话。我会尽力满足您的需求，希望能为您提供有用的帮助。请告诉我您需要什么样的帮助，我会尽力回答您的问题。",
    "voice": "nova"
  }

示例代码

Shell

JavaScript

Java

Swift

PHP

Python

HTTP

Objective-C

Ruby

OCaml

Dart

TTS-1-hd文本转语音-alloy

介绍

快速入门

音频质量

语音选项

支持的输出格式

支持的语言

流式传输实时音频

常见问题

如何控制生成音频的情绪范围？

我可以创建自己声音的自定义副本吗？

我是否拥有输出的音频文件？

请求参数

示例代码

返回响应

TTS-1-hd文本转语音-alloy

介绍#

快速入门#

音频质量#

语音选项#

支持的输出格式#

支持的语言#

流式传输实时音频#

常见问题#

如何控制生成音频的情绪范围？#

我可以创建自己声音的自定义副本吗？#

我是否拥有输出的音频文件？#

请求参数

示例代码

返回响应

介绍

快速入门

音频质量

语音选项

支持的输出格式

支持的语言

流式传输实时音频

常见问题

如何控制生成音频的情绪范围？

我可以创建自己声音的自定义副本吗？

我是否拥有输出的音频文件？