如需完整的文件索引,請參閱 llms.txt。在文件頁面的網址末尾加上 .md ,即可取得該頁面的 Markdown 版本。
主要導覽
主題

文字轉語音

瞭解如何將文字轉換成自然逼真的語音。

tts-1、tts-1-hd 和 gpt-4o-mini-tts 模型已棄用,將於 2027 年 1 月 6 日停止服務。請遷移至 gpt-realtime-2.1-mini,並透過 Realtime API 呼叫模型。這項遷移需要調整 API 工作流程,因為 gpt-realtime-2.1-mini 無法搭配 /v1/audio/speech 使用。在模型停止服務前,現有的整合仍可使用下方的 Speech API 工作流程。詳情請參閱棄用公告。

Audio API 提供 speech 端點,採用我們的 GPT-4o mini TTS(文字轉語音)模型。此端點內建 11 種聲音,可用於:

  • 朗讀部落格文章
  • 產生多種語言的語音
  • 以串流方式即時輸出音訊

以下是 alloy 的聲音範例:

根據我們的使用政策,你必須清楚告知終端使用者,他們聽到的 TTS 語音是由 AI 生成,並非真人發聲。

快速入門

speech 端點接受三項主要輸入:

  1. 要使用的模型
  2. 要轉換成語音的文字
  3. 用來朗讀文字的聲音

以下是請求範例:

將輸入文字轉換成語音
from pathlib import Path
from openai import OpenAI

client = 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)

端點預設會以 MP3 格式輸出語音,你也可以將輸出設定為任一支援的格式。

文字轉語音模型

如果你已整合 Speech API,可以透過提示詞調整 gpt-4o-mini-tts 生成語音時的下列特性:

  • 口音
  • 情緒表現範圍
  • 語調起伏
  • 聲音模仿
  • 語速
  • 語氣
  • 耳語

我們也提供 tts-1 和 tts-1-hd 兩款文字轉語音模型。tts-1 模型的延遲較低,但音質不及 tts-1-hd 模型。

聲音選項

TTS 端點提供 13 種內建聲音,可供你選擇朗讀文字時使用的聲音。你可以在 OpenAI.fm 試聽並體驗這些聲音。這個互動式展示網站可讓你試用 OpenAI API 最新的文字轉語音模型。目前這些聲音主要針對英語最佳化。

  • alloy
  • ash
  • ballad
  • coral
  • echo
  • fable
  • nova
  • onyx
  • sage
  • shimmer
  • verse
  • marin
  • cedar

若要獲得最佳音質,建議使用 marin 或 cedar。

可用的聲音依模型而異。tts-1 和 tts-1-hd 模型僅支援 alloy、ash、coral、echo、fable、onyx、nova、sage 和 shimmer。

如果你使用 Realtime API,可選擇的聲音略有不同。請參閱即時對話指南,查看目前可用的即時語音選項。

即時音訊串流

Speech API 使用分塊傳輸編碼支援即時音訊串流。你可以在完整音檔生成並可供存取之前就開始播放。

將輸入文字轉換成語音,直接串流到喇叭播放
import asyncio

from openai import AsyncOpenAI
from openai.helpers import LocalAudioPlayer

openai = AsyncOpenAI()


async def main() -> None:
    async with 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())

若要讓回應時間最短,建議使用 wav 或 pcm 作為回應格式。

支援的輸出格式

預設回應格式為 mp3,也可使用 opus、wav 等其他格式。

  • MP3:預設回應格式,適合一般用途。
  • Opus:延遲低,適合網路串流和通訊。
  • AAC:用於數位音訊壓縮,是 YouTube、Android 和 iOS 偏好的格式。
  • FLAC:用於無損音訊壓縮,是音響愛好者典藏音檔時偏好的格式。
  • WAV:未經壓縮的 WAV 音訊,適合需要低延遲的應用程式,可省去解碼開銷。
  • PCM:與 WAV 類似,但沒有檔頭,僅包含取樣率為 24 kHz 的原始音訊樣本(16 位元有號整數,採小端序)。

支援的語言

TTS 模型支援的語言大致與 Whisper 模型相同。Whisper 支援下列語言。雖然 TTS 聲音主要針對英語最佳化,但在這些語言上的表現也很好:

南非語、阿拉伯語、亞美尼亞語、亞塞拜然語、白俄羅斯語、波士尼亞語、保加利亞語、加泰隆尼亞語、中文、克羅埃西亞語、捷克語、丹麥語、荷蘭語、英語、愛沙尼亞語、芬蘭語、法語、加利西亞語、德語、希臘語、希伯來語、印地語、匈牙利語、冰島語、印尼語、義大利語、日語、卡納達語、哈薩克語、韓語、拉脫維亞語、立陶宛語、馬其頓語、馬來語、馬拉地語、毛利語、尼泊爾語、挪威語、波斯語、波蘭語、葡萄牙語、羅馬尼亞語、俄語、塞爾維亞語、斯洛伐克語、斯洛維尼亞語、西班牙語、斯瓦希里語、瑞典語、塔加洛語、坦米爾語、泰語、土耳其語、烏克蘭語、烏爾都語、越南語和威爾斯語。

以你選擇的語言輸入文字,即可產生該語言的語音。

自訂聲音

使用說話者的同意錄音,以及由同一人錄製的音訊樣本,即可建立經核准的自訂聲音。關於使用資格、錄音要求、錄製同意時須朗讀的句子及 API 請求,請參閱自訂聲音。

建立聲音

請依照建立自訂聲音的步驟操作。

生成語音時使用自訂聲音

生成語音時,請傳入已建立的聲音 ID。請參閱語音生成範例。

相關指南

即時互動與音訊概覽

為語音智慧體、翻譯、轉錄和語音生成選擇合適的實作方式。

音訊與語音概念

瞭解音訊模態、語音任務、串流,以及以請求為基礎的 API。