نموذج تحويل النص إلى كلام TTS-1-1106 من OpenAI، يمكن الوصول إليه عبر OrcaRouter دون أي هامش ربح مع البث في الوقت الفعلي.
openai/tts-1-1106 هو نموذج تحويل النص إلى كلام أصدرته OpenAI في نوفمبر 2023. يستخدم شبكة عصبية لتوليد الكلام من النص العادي، بهدف تحقيق نبرة طبيعية وإيقاع ووضوح. يدعم النموذج ما يصل إلى ستة أصوات…
يدعم النموذج بشكل أساسي النصوص باللغة الإنجليزية، على الرغم من أنه يمكنه معالجة النصوص بلغات أخرى تستخدم الأبجدية اللاتينية بدرجات متفاوتة من الطبيعة. لم تنشر OpenAI قائمة شاملة باللغات المدعومة، لكن الاستخدام المعروف على نطاق واسع يؤكد أداءً قويًا للغة الإنجليزية والإسبانية والفرنسية والألمانية والإيطالية والبرتغالية واليابانية (عند كتابتها بالحرف اللاتيني). بالنسبة للنصوص غير اللاتينية مثل الصينية أو العربية، قد تتدهور جودة الإخراج. يجب على المستخدمين اختبار لغتهم المستهدفة إذا كانت تقع خارج المجموعة الشائعة.
ستة أصوات مسبقة الضبط متاحة: alloy، echo، fable، onyx، nova، وshimmer. لكل منها نغمة وجنس مختلف (على سبيل المثال، alloy محايد، echo مذكر، fable شاب، onyx عميق، nova دافئ، shimmer مشرق). يتم اختيار الصوت عن طريق تعيين معامل voice في الطلب. لا توجد إمكانية لاستنساخ الصوت المخصص أو الضبط الدقيق؛ يجب الاختيار من بين هذه الستة. للمشاريع التي تتطلب صوت علامة تجارية متسق، قد يكون من الضروري تقييم أي من هذه الأصوات المسبقة يناسب الشخصية المقصودة بشكل أفضل.
نعم، يدعم TTS-1-1106 البث عبر أحداث الخادم المُرسلة (SSE). من خلال تعيين معامل التدفق (stream) إلى true، يُعيد API بيانات الصوت كتسلسل من الكتل، كل منها يحتوي على جزء من الكلام المُولَّد. يتيح ذلك للعملاء بدء التشغيل فورًا تقريبًا، مما يُقلل من زمن الانتظار المُدرَك. يُعد البث مفيدًا بشكل خاص للواجهات الحوارية حيث يتوقع المستخدمون ردودًا لفظية فورية. ملاحظة: قد يزيد البث من إجمالي النطاق الترددي بشكل طفيف، ولكن زمن الوصول من النهاية إلى النهاية أقل بكثير من انتظار رد كامل.
TTS-1-1106 لديه عدة قيود معروفة. أولاً، لا يمكنه إنتاج الغناء أو الأصوات غير الكلامية (مثل الضحك، البكاء) بشكل موثوق. ثانيًا، الأصوات المعدة مسبقًا لا تدعم التعبير العاطفي—تبقى النغمة متناسقة بغض النظر عن المحتوى. ثالثًا، الحد الأقصى لطول النص المدخل هو حوالي 4096 حرفًا؛ يجب تقسيم المحتوى الأطول إلى طلبات متعددة ودمجها. رابعًا، لا توجد معالجة للضوضاء الخلفية؛ يتوقع النموذج نصًا مدخلًا نظيفًا. أخيرًا، قد يكون الأداء للغات غير الإنجليزية غير متسق. للاحتياجات متعددة اللغات عالية الجودة، فكر في نماذج متخصصة.
تحقق TTS-1-1106 طبيعية شبه بشرية للجمل الإنجليزية القصيرة إلى المتوسطة الطول. تنتج البنية العصبية تناغمًا سلسًا، وصياغة مناسبة، وأقل قدر من التشوهات الآلية. التقييمات المستقلة (غير المقدمة في الحقائق المعطاة) عادةً ما تضعها بين أفضل نماذج تحويل النص إلى كلام العامة المتاحة عبر واجهات برمجة التطبيقات التجارية. ومع ذلك، قد تظهر النصوص الطويلة جدًا أحيانًا توقفات غير طبيعية أو مقاطع غير صحيحة التشديد. بشكل عام، في معظم سيناريوهات المحادثة والسرد، يكون المخرجات مقنعة في طبيعتها.
يختلف زمن الاستجابة (الكمون) حسب طول الإدخال وظروف الشبكة، لكن TTS-1-1106 محسّن لتحقيق زمن استجابة منخفض من البداية إلى النهاية. طلب نموذجي من 100–200 حرف يعيد أول مقطع صوتي في أقل من 500 مللي ثانية عند البث المباشر (streaming). زمن الاستجابة الكامل لإدخال مكون من 1000 حرف عادة ما يكون أقل من ثانيتين. تعتمد هذه الأرقام على شبكة OrcaRouter وحمولة الخادم. يقلل البث المباشر من زمن الاستجابة المحسوس بشكل كبير لأن التشغيل يمكن أن يبدأ قبل إنشاء الصوت بالكامل. للتطبيقات في الوقت الفعلي، يُوصى بشدة باستخدام البث المباشر.
بالمقارنة مع نماذج تحويل النص إلى كلام القديمة مثل Tacotron أو WaveNet، يقدم TTS-1-1106 استنتاجًا أسرع وتكاملًا أسهل عبر واجهة برمجة تطبيقات REST. بشكل عام، يطابق أو يتجاوز جودة خدمات تحويل النص إلى كلام السحابية من Amazon Polly (الأصوات العصبية) و Google Cloud Text-to-Speech (أصوات WaveNet) على عينات الصوت الإنجليزية القياسية. إنه يتخلف عن النماذج المتخصصة من ElevenLabs من حيث المدى العاطفي واستنساخ الصوت المخصص. بالنسبة للتكلفة، فإن TTS-1-1106 مسعر بشكل تنافسي عند 15 دولارًا لكل مليون رمز إدخال/إخراج (بدون زيادة في السعر على OrcaRouter)، وهو ما يعادل تقريبًا 0.015 دولار لكل 1000 حرف من الإدخال. وهذا مشابه لمستويات تحويل النص إلى كلام العصبية في Azure.
المقايضات الرئيسية هي محدودية اختيار الأصوات (بدون تخصيص) وحد الإدخال البالغ 4096 حرفًا. المستخدمون الذين يحتاجون صوتًا مخصصًا لعلامة تجارية معينة يجب عليهم اختيار أحد القوالب الستة الجاهزة. بالإضافة إلى ذلك، لا يقبل النموذج علامات SSML للتحكم الدقيق في النطق أو التأكيد بما يتجاوز عناصر العروض الأساسية في SSML. كما يفتقر إلى دعم الحوار متعدد المتحدثين في طلب واحد—فكل طلب ينتج صوتًا واحدًا. بالنسبة للحوار، يجب إرسال طلبات منفصلة مع معاملات صوت مختلفة وتجميع الصوت من جانب العميل.
تعتمد التسعيرة على الرموز (tokens) - سواء المدخلة أو المُخرجة - بسعر ثابت قدره 15.00 دولارًا لكل 1,000,000 رمز. يتوافق الرمز الواحد تقريبًا مع 0.75 حرف من النص الإنجليزي عند الإدخال، بينما تُحسب الرموز المُخرجة على أنها العدد المكافئ لعينات الصوت المولدة (أيضًا بسعر 15 دولارًا لكل 1,000,000 رمز). لا توجد رسوم إضافية؛ تمرر OrcaRouter السعر المُقدّم كما هو تمامًا. يعني نموذج التسعير هذا أن التكلفة تتزايد خطيًا مع كمية النص المُعالَج والصوت المُنتَج. بالنسبة لإدخال نموذجي مكون من 1000 حرف، تبلغ التكلفة الإجمالية حوالي 0.02 دولار (إدخال) + 0.02 دولار (إخراج) = 0.04 دولار لكل طلب.
البث نفسه لا يغير السعر لكل رمز (per‑token)؛ حيث يتم محاسبتك على نفس عدد الرموز سواء تم تسليم الاستجابة بشكل متدفق أو ككتلة واحدة. تخزين الطلبات المتكررة مؤقتًا من جانب العميل (client‑side) يمكن أن يوفر التكاليف من خلال تجنب استدعاءات API المكررة. لا يوفر OrcaRouter تخزينًا مؤقتًا من جانب الخادم (server‑side) لاستجابات TTS. إذا كان تطبيقك يُنتج النص نفسه بشكل متكرر (على سبيل المثال، تحية قياسية)، فيجب عليك إنشاء الصوت وتخزينه مؤقتًا محليًا لتقليل النفقات. لا توجد خصومات على الحجم أو تسعير متدرج؛ السعر ثابت لكل رمز.
ضع في اعتبارك chatbot يقرأ رسائل بطول 500 حرف. ستكون تكلفة كل رسالة: المدخلات: 500 حرف ≈ 667 رمزًا → ~$0.01; المخرجات: بالمثل ~$0.01; الإجمالي ~$0.02 لكل رسالة. عند 10,000 رسالة شهريًا، يكون ذلك $200. بالنسبة لكتاب صوتي من 50,000 كلمة (≈350,000 حرف إدخال)، ستكون التكلفة تقريبًا: المدخلات $0.07، المخرجات $0.07 → $0.14 إجمالاً للكتاب. ومع ذلك، لاحظ أن عدد رموز المخرجات قد يكون أعلى بسبب ترميز الصوت؛ قد تتضاعف التكاليف الفعلية. دائمًا اختبر عينة واستخدم أعداد الرموز الدقيقة التي يعيدها API لوضع الميزانية بدقة.
لا. تفرض OrcaRouter نفس السعر تمامًا مثل المزود الأساسي (OpenAI) لـ TTS-1-1106: 15 دولارًا لكل مليون رمز إدخال و15 دولارًا لكل مليون رمز إخراج. لا توجد رسوم إضافية لاستخدام بوابة OrcaRouter. تسمح هذه التسعيرة الشفافة للمطورين بالوصول إلى نموذج TTS من OpenAI دون أي زيادة في التكلفة مقارنة باستخدام واجهة برمجة تطبيقات OpenAI مباشرة. أنت تدفع فقط مقابل استهلاك الرموز، ولا تضيف OrcaRouter أي رسوم إضافية.
تستخدم النموذج من خلال نقطة نهاية الدردشة المتوافقة مع OpenAI القياسية على الرابط الأساسي https://api.orcarouter.ai/v1. عيّن معلمة النموذج إلى "openai/tts-1-1106". يتطلب جسم الطلب حقل إدخال يحتوي على النص الذي تريد تحويله، وحقول اختيارية مثل voice وresponse_format وspeed (لمعدل التشغيل). يتم المصادقة عبر مفتاح API في رأس Authorization. مثال باستخدام curl: curl https://api.orcarouter.ai/v1/audio/speech -H "Authorization: Bearer YOUR_API_KEY" -H "Content-Type: application/json" -d '{"model":"openai/tts-1-1106","input":"Hello world","voice":"alloy","response_format":"mp3"}' > output.mp3
تشمل معاملات الطلب الرئيسية: model (مطلوب، يُعيّن إلى "openai/tts-1-1106")، input (نص، النص المراد نطقه)، voice (نص من بين alloy، echo، fable، onyx، nova، shimmer)، response_format ("mp3" أو "opus"، الافتراضي mp3)، speed (رقم عشري، الافتراضي 1.0؛ النطاق الموثق من OpenAI هو 0.25 إلى 4.0)، وstream (منطقي، الافتراضي false). معاملات اختيارية إضافية تتضمن user، وفقًا لاتفاقيات OpenAI. غير مدعوم: functions، tools، أو logprobs. للبثّ، قم بتعيين stream: true، وسيكون الرد سلسلة من أحداث SSE تحتوي على بيانات صوتية.
الحقول الأدنى المطلوبة هي model و input. يجب أن يكون model بالضبط "openai/tts-1-1106". يجب أن يكون حقل input سلسلة نصية غير فارغة (حتى حوالي 4096 حرفًا). إذا حذفت voice، فسيتم افتراض alloy افتراضيًا. إذا حذفت response_format، فسيتم افتراض mp3 افتراضيًا. يجب إرسال الطلب بتنسيق JSON عبر HTTPS. يتطلب OrcaRouter مفتاح API صالحًا يوضع في رأس Authorization باستخدام مخطط Bearer. ليست هناك حاجة لتحديد معلمة text_type؛ إذ يُفترض النص العادي.
إذا كنت تستخدم حاليًا نقطة نهاية API الخاصة بـ OpenAI لنموذج TTS-1-1106، فإن الانتقال إلى OrcaRouter يتطلب فقط تغيير عنوان URL الأساسي من https://api.openai.com/v1 إلى https://api.orcarouter.ai/v1، وتحديث مفتاح API إلى مفتاح OrcaRouter الخاص بك. يجب أن يُسبق معرف النموذج بـ openai/ (أي استخدم "openai/tts-1-1106" بدلاً من "tts-1-1106" فقط). تظل جميع المعاملات الأخرى (input، voice، response_format، إلخ) كما هي. لا حاجة لتغييرات في الكود تتجاوز تغيير نقطة النهاية والمفتاح. تبقى الأسعار متطابقة، بدون أي رسوم إضافية.
تقدم OpenAI أيضًا TTS-1 (الإصدار الأصلي) وTTS‑1‑HD. يعتبر TTS-1-1106 إصدارًا مُحسّنًا لزمن الاستجابة المنخفض والبث المباشر، بينما يوفر TTS‑1‑HD جودة أعلى على حساب السرعة. يدعم TTS-1-1106 نفس الأصوات الستة ونفس نقطة السعر. مقارنةً بنموذج TTS-1 الأقدم، يتمتع TTS-1-1106 بطبيعية محسّنة وتقليل التشوهات، خاصة في الجمل الأطول. بالنسبة للتطبيقات التي تكون فيها جودة الصوت هي الأهم وزمن الاستجابة أقل أهمية، قد يكون TTS‑1‑HD هو الخيار الأفضل؛ وإلا، فإن TTS-1-1106 هو الخيار الموصى به للاستخدام التفاعلي.
تقدم ElevenLabs نسخًا صوتيًا واسعًا والتحكم في المشاعر، ولكن بتكلفة أعلى لكل حرف (حوالي 0.03 دولار لكل 1000 حرف للطبقة الأساسية). تتميز Azure Neural TRS بأسعار مشابهة لـ OpenAI (حوالي 15 دولارًا لكل مليون حرف) وتدعم أكثر من 100 صوت وعدة لغات. يحتوي TTS-1-1106 على مجموعة أصغر من الأصوات لكنه يوفر واجهة برمجة تطبيقات أبسط وزمن وصول ممتاز. إذا كنت بحاجة إلى صوت علامة تجارية مخصص، فإن ElevenLabs أو Azure هما الخيار الأفضل؛ أما للغة الإنجليزية فقط، مع زمن وصول منخفض، وبدون رسوم إضافية عبر OrcaRouter، فإن TTS-1-1106 قوي.
قد توجد بدائل أرخص لتحويل النص إلى كلام (TTS) مثل espeak-ng أو بعض النماذج مفتوحة المصدر التي تعمل محليًا على وحدة المعالجة المركزية (CPU)، لكنها غالبًا ما تفتقر إلى الطبيعية. يُعد TTS-1-1106 مناسبًا عندما تحتاج إلى توليد كلام عالي الجودة ومنخفض زمن الاستجابة على نطاق سحابي دون إدارة البنية التحتية. بالنسبة للأحجام الكبيرة جدًا حيث تكون التكلفة أمرًا حاسمًا، فكّر في حل مخصص. إذا كان تطبيقك يحتاج إلى كلام عرضي فقط، فإن تسعير TTS-1-1106 لكل رمز (token) يُعتبر تنافسيًا. بالنسبة للغات غير الإنجليزية أو الأصوات المخصصة، قد تكون نماذج أخرى أكثر فعالية من حيث التكلفة.
المميزات الرئيسية لـ TTS-1-1106 هي سرعتها (تدفق دون الثانية) وتوافرها بدون هامش ربح عبر OrcaRouter. إنها جزء من نظام OpenAI البيئي، لذا يمكن للمستخدمين الذين يدمجون بالفعل نماذج GPT استخدام نفس مفتاح API والبنية التحتية. الأصوات الستة المحددة مسبقًا متسقة ومضبوطة جيدًا للفهم. زمن الاستجابة المنخفض للنموذج يجعله مثاليًا للذكاء الاصطناعي التحادثي، بينما دعم SSML (الأساسي) يسمح ببعض التحكم في الإيقاع. ومع ذلك، فإنه يفتقر إلى الميزات المتقدمة مثل الكلام العاطفي، أو الطوابع الزمنية على مستوى الكلمة، أو تدريب الصوت المخصص – وهي مقايضات مقابل بساطته وسرعته.
متوافق مع OpenAI — أبقِ على SDK الحالي
https://api.orcarouter.ai/v1response_formatspeedvoice| لكل مليون حرف | $15.00 |
|---|---|
| العملة | USD |
| لا تتم محاسبة هذا النموذج حسب التوكن. السعر أعلاه هو وحدة القياس الفعلية وهو ما يُخصم عند التسوية. | |
ما يتحدث عنه المطورون هذا الأسبوع
GET /api/public/models/openai/tts-1-1106فتح @misc{orcarouter_tts_1_1106,
title = {openai/tts-1-1106 API},
author = {openai},
year = {n.d.},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/openai/tts-1-1106}
}openai. (n.d.). openai/tts-1-1106 API. OrcaRouter. https://www.orcarouter.ai/models/openai/tts-1-1106