OpenAIs TTS-1-1106 Text-zu-Sprache-Modell, zugänglich über OrcaRouter zum Nullaufschlag mit Echtzeit-Streaming.
openai/tts-1-1106 ist ein Text-to-Speech-Modell, das von OpenAI im November 2023 veröffentlicht wurde. Es verwendet ein neuronales Netzwerk, um aus einfachem Text Sprache zu generieren, mit dem Ziel…
Das Modell unterstützt hauptsächlich englischsprachige Texte, kann jedoch Texte in anderen Sprachen, die das lateinische Alphabet verwenden, mit unterschiedlicher Natürlichkeit verarbeiten. OpenAI hat keine vollständige Liste der unterstützten Sprachen veröffentlicht, aber die allgemein bekannte Nutzung bestätigt eine starke Leistung für Englisch, Spanisch, Französisch, Deutsch, Italienisch, Portugiesisch und Japanisch (wenn in lateinischer Schrift geschrieben). Für nicht-lateinische Schriften wie Chinesisch oder Arabisch kann die Ausgabequalität nachlassen. Benutzer sollten ihre Zielsprache testen, wenn sie nicht zum gebräuchlichen Satz gehört.
Es sind sechs voreingestellte Stimmen verfügbar: alloy, echo, fable, onyx, nova und shimmer. Jede hat einen eigenen Klang und eine eigene Geschlechterdarstellung (z. B. alloy ist neutral, echo ist maskulin, fable ist jugendlich, onyx ist tief, nova ist warm, shimmer ist hell). Die Stimme wird ausgewählt, indem der Parameter "voice" in der Anfrage gesetzt wird. Es gibt keine Möglichkeit zum Klonen oder zur Feinanpassung individueller Stimmen; Sie müssen aus diesen sechs wählen. Bei Projekten, die eine konsistente Markenstimme erfordern, kann es notwendig sein zu bewerten, welche Voreinstellung am besten zur gewünschten Persönlichkeit passt.
Ja, TTS-1-1106 unterstützt Streaming über Server-Sent Events (SSE). Wenn der stream-Parameter auf true gesetzt wird, gibt die API Audiodaten als eine Abfolge von Chunks zurück, die jeweils einen Teil der generierten Sprache enthalten. Dies ermöglicht es Clients, die Wiedergabe nahezu sofort zu starten und die wahrgenommene Latenz zu minimieren. Streaming ist besonders nützlich für dialogorientierte Schnittstellen, bei denen Nutzer eine sofortige verbale Rückmeldung erwarten. Beachten Sie, dass Streaming den gesamten Bandbreiten-Overhead leicht erhöhen kann, aber die End‑to‑End-Verzögerung ist deutlich geringer als bei Warten auf eine vollständige Antwort.
TTS-1-1106 hat mehrere bekannte Einschränkungen. Erstens kann es keine Gesangs- oder Nicht-Sprachlaute (z. B. Lachen, Weinen) zuverlässig erzeugen. Zweitens unterstützen die voreingestellten Stimmen keinen emotionalen Ausdruck – der Ton bleibt unabhängig vom Inhalt konsistent. Drittens beträgt die maximale Eingabetextlänge etwa 4096 Zeichen; längere Inhalte müssen in mehrere Anfragen aufgeteilt und anschließend zusammengefügt werden. Viertens fehlt eine Handhabung von Hintergrundgeräuschen; das Modell erwartet sauberen Eingabetext. Schließlich kann die Leistung für andere Sprachen als Englisch inkonsistent sein. Für hochwertige mehrsprachige Anforderungen sollten spezialisierte Modelle in Betracht gezogen werden.
TTS-1-1106 erreicht für kurze bis mittellange englische Sätze eine nahezu menschliche Natürlichkeit. Die neuronale Architektur erzeugt eine flüssige Prosodie, angemessene Phrasierung und minimale Roboterartefakte. Unabhängige Bewertungen (nicht in den gegebenen Fakten enthalten) stufen es im Allgemeinen unter den besten universellen TTS-Modellen ein, die über kommerzielle APIs verfügbar sind. Bei sehr langen Texten können jedoch gelegentlich unnatürliche Pausen oder falsch betonte Silben auftreten. Insgesamt ist die Ausgabe für die meisten Gesprächs- und Erzählszenarien überzeugend natürlich.
Die Latenz variiert mit der Eingabelänge und den Netzwerkbedingungen, aber TTS-1-1106 ist für eine niedrige Ende‑zu‑Ende‑Verzögerung optimiert. Eine typische Anfrage von 100–200 Zeichen liefert das erste Audio‑Chunk in unter 500 ms, wenn gestreamt wird. Die vollständige Antwortzeit für eine 1000‑Zeichen‑Eingabe liegt normalerweise unter 2 Sekunden. Diese Werte hängen vom Netzwerk und der Serverlast von OrcaRouter ab. Streaming reduziert die gefühlte Latenz erheblich, da die Wiedergabe beginnen kann, bevor das gesamte Audio generiert ist. Für Echtzeitanwendungen wird Streaming dringend empfohlen.
Im Vergleich zu älteren TTS-Modellen wie Tacotron oder WaveNet bietet TTS-1-1106 schnellere Inferenz und einfachere Integration über eine REST-API. Es entspricht im Allgemeinen der Qualität von Cloud-TTS von Amazon Polly (neuronale Stimmen) und Google Cloud Text-to-Speech (WaveNet-Stimmen) bei englischen Standard-Sprachproben oder übertrifft diese sogar. In Bezug auf emotionale Bandbreite und benutzerdefinierte Sprachklonierung bleibt es hinter spezialisierten Modellen von ElevenLabs zurück. Preislich liegt TTS-1-1106 mit $15 pro 1M Eingabe-/Ausgabe-Tokens (ohne Aufschlag auf OrcaRouter) wettbewerbsfähig, was ungefähr $0.015 pro 1K Zeichen Eingabe entspricht. Dies ist vergleichbar mit den neuronalen TTS-Stufen von Azure.
Die Hauptabwägungen sind die begrenzte Stimmenauswahl (keine Anpassungsmöglichkeit) und die Eingabegrenze von 4096 Zeichen. Benutzer, die eine markenspezifische Stimme benötigen, müssen eine der sechs Voreinstellungen wählen. Darüber hinaus akzeptiert das Modell keine SSML-Tags für eine feinkörnige Steuerung der Aussprache oder Betonung, die über grundlegende SSML-Prosodie-Elemente hinausgeht. Es unterstützt auch keinen Mehrsprecherdialog in einer einzigen Anfrage – jede Anfrage erzeugt eine Stimme. Für Dialoge müssen Sie separate Anfragen mit unterschiedlichen Stimmenparametern senden und das Audio clientseitig zusammensetzen.
Die Preisgestaltung basiert auf Token – sowohl Eingabe als auch Ausgabe – zu einem Pauschalpreis von $15.00 pro 1,000,000 Token. Ein Token entspricht ungefähr 0,75 Zeichen englischen Textes für die Eingabe, und Ausgabe-Token werden als die entsprechende Anzahl generierter Audio-Samples gezählt (ebenfalls zu $15/1M Token). Es gibt keinen zusätzlichen Aufschlag; OrcaRouter gibt den Anbieterpreis exakt weiter. Dieses Preismodell bedeutet, dass die Kosten linear mit der Menge des verarbeiteten Textes und der produzierten Audio skalieren. Bei einer typischen Eingabe von 1000 Zeichen betragen die Gesamtkosten ungefähr $0.02 (Eingabe) + $0.02 (Ausgabe) = $0.04 pro Anfrage.
Streaming an sich ändert nichts am Preis pro Token; Ihnen werden die gleiche Anzahl von Token in Rechnung gestellt, unabhängig davon, ob die Antwort gestreamt oder als einzelner Block geliefert wird. Das Zwischenspeichern wiederholter Anfragen auf Client-Seite kann Kosten sparen, indem doppelte API-Aufrufe vermieden werden. OrcaRouter bietet kein serverseitiges Caching für TTS-Antworten. Wenn Ihre Anwendung häufig denselben Text generiert (z. B. eine Standardbegrüßung), sollten Sie das Audio vorab generieren und lokal zwischenspeichern, um die Kosten zu minimieren. Es gibt keine Mengenrabatte oder gestaffelten Preise; der Preis ist pro Token fest.
Stellen Sie sich einen Chatbot vor, der 500 Zeichen lange Nachrichten vorliest. Jede Nachricht würde kosten: Eingabe: 500 Zeichen ≈ 667 Tokens → ~$0.01; Ausgabe: ebenfalls ~$0.01; insgesamt ~$0.02 pro Nachricht. Bei 10,000 Nachrichten pro Monat sind das $200. Für ein Hörbuch mit 50.000 Wörtern (≈350.000 Zeichen Eingabe) lägen die Kosten grob bei: Eingabe $0.07, Ausgabe $0.07 → insgesamt $0.14 für das Buch. Beachten Sie jedoch, dass die Anzahl der Ausgabetokens durch die Audio-Codierung höher sein kann; die tatsächlichen Kosten können sich verdoppeln. Testen Sie stets ein Beispiel und verwenden Sie die genauen Tokenzahlen, die die API zurückgibt, um genau zu budgetieren.
Nein. OrcaRouter berechnet genau denselben Preis wie der zugrunde liegende Anbieter (OpenAI) für TTS-1-1106: $15 pro 1 Million Eingabe-Token und $15 pro 1 Million Ausgabe-Token. Es fallen keine zusätzlichen Gebühren für die Nutzung des OrcaRouter-Gateways an. Diese transparente Preisgestaltung ermöglicht es Entwicklern, auf das TTS-Modell von OpenAI zuzugreifen, ohne dass die Kosten im Vergleich zur direkten Nutzung der OpenAI-API steigen. Sie bezahlen nur für den Token-Verbrauch, und OrcaRouter erhebt keine zusätzlichen Aufschläge.
Sie rufen das Modell unter Verwendung des standardmäßigen OpenAI-kompatiblen Chat-Completions-Endpunkts mit der Basis-URL https://api.orcarouter.ai/v1 auf. Setzen Sie den Modellparameter auf „openai/tts-1-1106“. Der Anforderungstext erfordert ein Eingabefeld mit dem umzuwandelnden Text sowie optionale Felder wie voice, response_format und speed (für die Wiedergabegeschwindigkeit). Die Authentifizierung erfolgt über einen API-Schlüssel im Authorization-Header. Beispiel mit 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.
Zu den wichtigsten Anfrageparametern gehören: model (erforderlich, auf "openai/tts-1-1106" gesetzt), input (string, der zu sprechende Text), voice (string, aus alloy, echo, fable, onyx, nova, shimmer), response_format ("mp3" oder "opus", Standard mp3), speed (float, Standard 1.0; von OpenAI dokumentierter Bereich 0.25 bis 4.0) und stream (boolean, Standard false). Zusätzliche optionale Parameter umfassen user, gemäß OpenAI-Konventionen. Nicht unterstützt: functions, tools oder logprobs. Für Streaming setzen Sie stream: true, und die Antwort besteht aus einer Reihe von SSE-Ereignissen mit Audiodaten.
Die Pflichtfelder sind model und input. model muss exakt „openai/tts-1-1106“ lauten. input muss ein nicht leerer String (bis zu ~4096 Zeichen) sein. Wenn voice weggelassen wird, verwendet die API standardmäßig alloy. Wenn response_format weggelassen wird, ist der Standard mp3. Die Anfrage muss als JSON über HTTPS gesendet werden. OrcaRouter benötigt einen gültigen API-Key im Authorization-Header mit dem Bearer-Schema. Es ist nicht erforderlich, den Parameter text_type anzugeben; es wird von reinem Text ausgegangen.
Falls Sie derzeit den eigenen API-Endpunkt von OpenAI für TTS-1-1106 verwenden, erfordert die Migration zu OrcaRouter lediglich die Änderung der Basis-URL von https://api.openai.com/v1 auf https://api.orcarouter.ai/v1 sowie die Aktualisierung des API-Schlüssels auf Ihren OrcaRouter-Schlüssel. Die Modell-ID muss mit openai/ versehen werden (d. h. verwenden Sie "openai/tts-1-1106" anstelle von nur "tts-1-1106"). Alle anderen Parameter (input, voice, response_format usw.) bleiben unverändert. Es sind keine Code-Änderungen über den Endpunkt und den Schlüssel hinaus erforderlich. Die Preisgestaltung bleibt identisch, ohne Aufschlag.
OpenAI bietet auch TTS-1 (das Original) und TTS‑1‑HD an. TTS-1-1106 ist eine Iteration, die für niedrigere Latenz und Streaming optimiert ist, während TTS‑1‑HD höhere Qualität auf Kosten der Geschwindigkeit bietet. TTS-1-1106 unterstützt dieselben sechs Stimmen und den gleichen Preis. Im Vergleich zum älteren TTS-1-Modell weist TTS-1-1106 eine verbesserte Natürlichkeit und weniger Artefakte auf, insbesondere bei längeren Äußerungen. Für Anwendungen, bei denen die Audioqualität von größter Bedeutung ist und die Latenz weniger kritisch ist, kann TTS‑1‑HD bevorzugt werden; ansonsten ist TTS-1-1106 die empfohlene Wahl für interaktive Nutzung.
ElevenLabs bietet umfangreiche Stimmklonung und Emotionssteuerung, allerdings zu höheren Kosten pro Zeichen (etwa 0,03 $ pro 1.000 Zeichen in der Basistarie). Azure Neural TTS hat eine ähnliche Preisgestaltung wie OpenAI (etwa 15 $ pro 1 Mio. Zeichen) und unterstützt über 100 Stimmen sowie mehrere Sprachen. TTS-1-1106 bietet eine kleinere Auswahl an Stimmen, dafür aber eine einfachere API und hervorragende Latenz. Wenn Sie eine benutzerdefinierte Markenstimme benötigen, sind ElevenLabs oder Azure besser geeignet; für englischsprachigen, latenzarmen, aufschlagsfreien Zugriff über OrcaRouter ist TTS-1-1106 eine gute Wahl.
Es mag günstigere TTS-Alternativen geben (z.B. espeak‑ng oder einige Open-Source-Modelle, die lokal auf der CPU laufen), aber ihnen fehlt meist die Natürlichkeit. TTS-1-1106 ist geeignet, wenn Sie eine Sprachgenerierung in Cloud-Größenordnung, hoher Qualität und niedriger Latenz benötigen, ohne die Infrastruktur verwalten zu müssen. Bei sehr hohem Volumen, bei dem die Kosten entscheidend sind, sollten Sie eine maßgeschneiderte Lösung in Betracht ziehen. Wenn Ihre App nur gelegentlich Sprachausgabe benötigt, ist die Preisgestaltung pro Token von TTS-1-1106 wettbewerbsfähig. Für nicht-englische Sprachen oder benutzerdefinierte Stimmen können andere Modelle kosteneffizienter sein.
Die Hauptunterschiede von TTS-1-1106 sind seine Geschwindigkeit (sub‑sekündliches Streaming) und seine Verfügbarkeit ohne Aufschlag über OrcaRouter. Es ist Teil des OpenAI-Ökosystems, sodass Nutzer, die bereits GPT-Modelle integrieren, denselben API-Schlüssel und dieselbe Infrastruktur verwenden können. Die sechs voreingestellten Stimmen sind konsistent und gut auf Verständlichkeit abgestimmt. Die geringe Latenz des Modells macht es ideal für Konversations-KI, während die SSML-Unterstützung (grundlegend) eine gewisse Kontrolle über das Sprechtempo ermöglicht. Allerdings fehlen ihm erweiterte Funktionen wie emotionale Sprachausgabe, Wortzeitstempel oder individuelles Stimmtraining – was Abwägungen für seine Einfachheit und Geschwindigkeit darstellt.
OpenAI-kompatibel — behalte dein bisheriges SDK
https://api.orcarouter.ai/v1response_formatspeedvoice| pro 1 Mio. Zeichen | $15.00 |
|---|---|
| Währung | USD |
| Dieses Modell wird nicht pro Token abgerechnet. Der Preis oben gilt für die tatsächlich gemessene Einheit und wird genau so verrechnet. | |
Worüber Entwickler diese Woche sprechen
GET /api/public/models/openai/tts-1-1106Öffnen @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