Den vollständigen Index der Dokumentation findest du in llms.txt. Die Markdown-Version einer Dokumentationsseite erhältst du, indem du
.md an die URL der Seite anhängst.
Erfahre, wie du Text in natürlich klingende Sprache umwandelst.
Die Modelle tts-1, tts-1-hd und gpt-4o-mini-tts sind veraltet und werden am 6. Januar 2027 abgeschaltet. Steige auf gpt-realtime-2.1-mini um und verwende dafür die Realtime API. Dafür musst du deine API-Aufrufe anpassen, da gpt-realtime-2.1-mini für /v1/audio/speech nicht unterstützt wird. Bestehende Integrationen können die unten beschriebenen Abläufe der Speech API bis zur Abschaltung weiter nutzen. Einzelheiten findest du in der Ankündigung zur Abschaltung.
Unsere Nutzungsrichtlinien verpflichten dich, alle, die deine Anwendung nutzen, klar darauf hinzuweisen, dass sie eine KI-generierte Stimme hören und keine menschliche.
Schnellstart
Für den Endpunkt speech gibst du drei wesentliche Parameter an:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16import fs from "fs";import path from "path";import OpenAI from "openai";const openai = new OpenAI();const speechFile = path.resolve("./speech.mp3");const mp3 = await openai.audio.speech.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.",});const buffer = Buffer.from(await mp3.arrayBuffer());await fs.promises.writeFile(speechFile, buffer);
1
2
3
4
5
6
7
8
9
10
11
12
13from pathlib import Pathfrom openai import OpenAIclient = OpenAI()speech_file_path = Path(__file__).parent /"speech.mp3"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_file_path)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34package mainimport ( "context" "io" "os" "github.com/openai/openai-go/v3")func main() { client := openai.NewClient() response, err := client.Audio.Speech.New(context.Background(), openai.AudioSpeechNewParams{ Model: openai.SpeechModelGPT4oMiniTTS, Voice: openai.AudioSpeechNewParamsVoiceUnion{OfAudioSpeechNewsVoiceString2: openai.String("coral")}, Input: "Today is a wonderful day to build something people love!", Instructions: openai.String("Speak in a cheerful and positive tone."), }) if err != nil { panic(err) } defer response.Body.Close() file, err := os.Create("speech.mp3") if err != nil { panic(err) } if _, err := io.Copy(file, response.Body); err != nil { panic(err) } if err := file.Close(); err != nil { panic(err) }}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22import com.openai.client.OpenAIClient;import com.openai.client.okhttp.OpenAIOkHttpClient;import com.openai.core.http.HttpResponse;import com.openai.models.audio.speech.SpeechCreateParams;import java.io.IOException;import java.nio.file.Files;import java.nio.file.Path;import java.nio.file.StandardCopyOption;try (HttpResponse audio = client .audio() .speech() .create( SpeechCreateParams.builder() .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.") .build())) { Files.copy(audio.body(), Path.of("speech.mp3"), StandardCopyOption.REPLACE_EXISTING);}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17using OpenAI.Audio;#pragma warning disable OPENAI001string key = Environment.GetEnvironmentVariable("OPENAI_API_KEY")!;string model = "gpt-4o-mini-tts";AudioClient client = new(model, key);BinaryData audio = await client.GenerateSpeechAsync( "Today is a wonderful day to build something people love!", GeneratedSpeechVoice.Coral, new SpeechGenerationOptions { Instructions = "Speak in a cheerful and positive tone.", });await File.WriteAllBytesAsync("speech.mp3", audio.ToArray());
1
2
3
4
5
6
7
8
9
10require "openai"client = OpenAI::Client.newaudio = client.audio.speech.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.")File.binwrite("speech.mp3", audio.read)
1
2
3
4
5
6
7
8
9
10curl https://api.openai.com/v1/audio/speech \ -H "Authorization: Bearer $OPENAI_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "gpt-4o-mini-tts", "input": "Today is a wonderful day to build something people love!", "voice": "coral", "instructions": "Speak in a cheerful and positive tone." }' \ --output speech.mp3
1
2
3
4
5
6openai audio:speech create \ --model gpt-4o-mini-tts \ --voice coral \ --instructions "Speak in a cheerful and positive tone." \ --input "Today is a wonderful day to build something people love!" \ --output speech.mp3
Standardmäßig gibt der Endpunkt die Sprachausgabe als MP3-Datei zurück. Du kannst aber auch jedes andere unterstützte Format wählen.
Modelle für die Sprachsynthese
In bestehenden Integrationen der Speech API kannst du bei gpt-4o-mini-tts mit Prompts folgende Merkmale der Sprachausgabe steuern:
Akzent
Emotionale Bandbreite
Intonation
Stimmimitationen
Sprechtempo
Tonfall
Flüstern
Unsere weiteren Modelle für die Sprachsynthese sind tts-1 und tts-1-hd. Das Modell tts-1 bietet eine geringere Latenz, erreicht aber eine niedrigere Audioqualität als das Modell tts-1-hd.
Verfügbare Stimmen
Am TTS-Endpunkt kannst du aus 13 integrierten Stimmen wählen und so bestimmen, wie dein Text klingt. Auf OpenAI.fm kannst du dir die Stimmen anhören und sie ausprobieren. In dieser interaktiven Demo lernst du das neueste Modell für die Sprachsynthese in der OpenAI API kennen. Die Stimmen sind derzeit für Englisch optimiert.
alloy
ash
ballad
coral
echo
fable
nova
onyx
sage
shimmer
verse
marin
cedar
Für die beste Audioqualität empfehlen wir marin oder cedar.
Welche Stimmen verfügbar sind, hängt vom Modell ab. Die Modelle tts-1 und tts-1-hd unterstützen weniger Stimmen: alloy, ash, coral, echo, fable, onyx, nova, sage und shimmer.
Wenn du die Realtime API verwendest, hast du eine etwas andere Auswahl. Welche Stimmen aktuell für Echtzeitgespräche verfügbar sind, erfährst du im Leitfaden zu Echtzeitgesprächen.
Audio in Echtzeit streamen
Die Speech API unterstützt Audiostreaming in Echtzeit und nutzt dafür die blockweise Übertragung. So kannst du die Wiedergabe starten, bevor die vollständige Audiodatei erstellt wurde und zum Abruf bereitsteht.
Sprachausgabe aus Eingabetext direkt auf deine Lautsprecher streamen
Python
1
2
3
4
5
6
7
8
9
10
11
12
13
14import OpenAI from "openai";import { playAudio } from "openai/helpers/audio";const openai = new OpenAI();const response = await openai.audio.speech.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.", response_format: "wav",});await playAudio(response);
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21import asynciofrom openai import AsyncOpenAIfrom openai.helpers import LocalAudioPlayeropenai = AsyncOpenAI()asyncdefmain() -> None:asyncwith openai.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.",response_format="pcm", ) as response:await LocalAudioPlayer().play(response)if__name__=="__main__": asyncio.run(main())
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27package mainimport ( "context" "io" "os" "github.com/openai/openai-go/v3")func main() { client := openai.NewClient() response, err := client.Audio.Speech.New(context.Background(), openai.AudioSpeechNewParams{ Model: openai.SpeechModelGPT4oMiniTTS, Voice: openai.AudioSpeechNewParamsVoiceUnion{OfAudioSpeechNewsVoiceString2: openai.String("coral")}, Input: "Today is a wonderful day to build something people love!", Instructions: openai.String("Speak in a cheerful and positive tone."), ResponseFormat: openai.AudioSpeechNewParamsResponseFormatWAV, }) if err != nil { panic(err) } defer response.Body.Close() if _, err := io.Copy(os.Stdout, response.Body); err != nil { panic(err) }}
1
2
3
4
5
6
7
8
9
10curl https://api.openai.com/v1/audio/speech \ -H "Authorization: Bearer $OPENAI_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "gpt-4o-mini-tts", "input": "Today is a wonderful day to build something people love!", "voice": "coral", "instructions": "Speak in a cheerful and positive tone.", "response_format": "wav" }' | ffplay -i -
Für möglichst kurze Antwortzeiten empfehlen wir wav oder pcm als Antwortformat.
Unterstützte Ausgabeformate
Das Standardformat für Antworten ist mp3. Weitere Formate wie opus und wav stehen ebenfalls zur Verfügung.
MP3: Das Standardformat für die meisten Anwendungsfälle.
Opus: Für Streaming und Kommunikation über das Internet mit geringer Latenz.
AAC: Für die Komprimierung digitaler Audiodaten. YouTube, Android und iOS bevorzugen dieses Format.
FLAC: Für die verlustfreie Audiokomprimierung. Wer Wert auf hohe Klangqualität legt, nutzt dieses Format häufig zur Archivierung.
WAV: Unkomprimierte Audiodaten im WAV-Format. Geeignet für Anwendungen mit geringer Latenz, da keine zusätzliche Dekodierung nötig ist.
PCM: Ähnlich wie WAV, enthält aber nur die rohen Abtastwerte mit 24 kHz (16 Bit, vorzeichenbehaftet, Little Endian) ohne Dateikopf.
Unterstützte Sprachen
Das TTS-Modell unterstützt weitgehend dieselben Sprachen wie das Modell Whisper. Whisper unterstützt die folgenden Sprachen und liefert gute Ergebnisse, auch wenn die Stimmen für Englisch optimiert sind:
Um eine Sprachausgabe in einer dieser Sprachen zu erzeugen, gib den Text in der gewünschten Sprache ein.
Benutzerdefinierte Stimmen
Um eine genehmigte benutzerdefinierte Stimme zu erstellen, brauchst du zwei Aufnahmen derselben Person: ihre gesprochene Einwilligung und eine dazu passende Stimmprobe. Im Leitfaden zu benutzerdefinierten Stimmen erfährst du, wer die Funktion nutzen kann, welche Anforderungen für die Aufnahmen gelten, wie die Einwilligung lauten muss und welche API-Anfragen du dafür verwendest.