El modelo de texto a voz TTS-1-1106 de OpenAI, accesible a través de OrcaRouter sin margen de beneficio con transmisión en tiempo real.
openai/tts-1-1106 es un modelo de texto a voz lanzado por OpenAI en noviembre de 2023. Utiliza una red neuronal para generar voz a partir de texto plano, buscando una entonación, ritmo y claridad…
El modelo admite principalmente texto en inglés, aunque puede procesar texto en otros idiomas que utilicen el alfabeto latino con distintos grados de naturalidad. OpenAI no ha publicado una lista exhaustiva de idiomas compatibles, pero el uso ampliamente conocido confirma un buen rendimiento para inglés, español, francés, alemán, italiano, portugués y japonés (cuando se escribe en escritura latina). Para escrituras no latinas como el chino o el árabe, la calidad del resultado puede degradarse. Los usuarios deben probar su idioma de destino si este queda fuera del conjunto común.
Seis voces predefinidas están disponibles: alloy, echo, fable, onyx, nova y shimmer. Cada una tiene un tono y una presentación de género distintivos (por ejemplo, alloy es neutra, echo es masculina, fable es juvenil, onyx es profunda, nova es cálida, shimmer es brillante). La voz se selecciona configurando el parámetro voice en la solicitud. No existe capacidad de clonación de voz personalizada o ajuste fino; debes elegir entre estas seis. Para proyectos que requieren una voz de marca consistente, puede ser necesario evaluar qué preajuste se ajusta mejor a la personalidad deseada.
Sí, TTS-1-1106 admite streaming mediante eventos enviados por el servidor (SSE). Al establecer el parámetro stream en true, la API devuelve datos de audio como una secuencia de fragmentos, cada uno con una porción del discurso generado. Esto permite que los clientes comiencen la reproducción casi de inmediato, minimizando la latencia percibida. El streaming es particularmente útil en interfaces conversacionales donde los usuarios esperan retroalimentación verbal instantánea. Tenga en cuenta que el streaming puede aumentar ligeramente la sobrecarga total del ancho de banda, pero el retardo de extremo a extremo es significativamente menor que esperar una respuesta completa.
TTS-1-1106 tiene varias limitaciones conocidas. Primero, no puede producir cantos o vocalizaciones no verbales (por ejemplo, risas, llantos) de manera confiable. Segundo, las voces predeterminadas no admiten la expresión emocional: el tono se mantiene constante independientemente del contenido. Tercero, la longitud máxima del texto de entrada es de aproximadamente 4096 caracteres; el contenido más largo debe dividirse en varias solicitudes y concatenarse. Cuarto, el manejo de ruido de fondo está ausente; el modelo espera texto de entrada limpio. Finalmente, el rendimiento para idiomas distintos al inglés puede ser inconsistente. Para necesidades multilingües de alta calidad, considere modelos especializados.
TTS-1-1106 logra una naturalidad casi humana para oraciones en inglés de corta a mediana extensión. La arquitectura neuronal produce prosodia suave, fraseo apropiado y artefactos robóticos mínimos. Evaluaciones independientes (no proporcionadas en los hechos dados) generalmente lo sitúan entre los modelos TTS de propósito general más destacados disponibles a través de APIs comerciales. Sin embargo, textos muy largos pueden exhibir ocasionalmente pausas no naturales o sílabas mal acentuadas. En general, para la mayoría de escenarios conversacionales y de narración, el resultado es convincentemente natural.
La latencia varía según la longitud de la entrada y las condiciones de la red, pero TTS-1-1106 está optimizado para una baja demora de extremo a extremo. Una solicitud típica de 100–200 caracteres devuelve el primer fragmento de audio en menos de 500 ms cuando se transmite en streaming. El tiempo de respuesta completo para una entrada de 1000 caracteres suele ser inferior a 2 segundos. Estas cifras dependen de la red y la carga del servidor de OrcaRouter. El streaming reduce significativamente la latencia percibida porque la reproducción puede comenzar antes de que se genere el audio completo. Para aplicaciones en tiempo real, se recomienda encarecidamente el streaming.
En comparación con modelos TTS más antiguos como Tacotron o WaveNet, TTS-1-1106 ofrece una inferencia más rápida y una integración más sencilla mediante una API REST. Generalmente iguala o supera la calidad de los TTS en la nube de Amazon Polly (voces neurales) y Google Cloud Text-to-Speech (voces WaveNet) en muestras de voz estándar en inglés. Se queda atrás frente a modelos especializados de ElevenLabs en cuanto a rango emocional y clonación de voz personalizada. En cuanto al costo, TTS-1-1106 tiene un precio competitivo de $15 por 1 millón de tokens de entrada/salida (sin margen adicional en OrcaRouter), lo que se traduce aproximadamente en $0.015 por 1.000 caracteres de entrada. Esto es similar a los niveles de TTS neural de Azure.
Las principales desventajas son la selección limitada de voces (sin personalización) y el límite de entrada de 4096 caracteres. Los usuarios que necesiten una voz específica de una marca deben elegir una de las seis opciones predefinidas. Además, el modelo no acepta etiquetas SSML para un control detallado de la pronunciación o el énfasis más allá de los elementos básicos de prosodia SSML. Tampoco admite diálogos con múltiples hablantes en una sola solicitud: cada solicitud genera una sola voz. Para diálogos, debes enviar solicitudes separadas con diferentes parámetros de voz y unir el audio del lado del cliente.
El precio se basa en tokens —tanto de entrada como de salida— a una tarifa fija de $15.00 por 1,000,000 de tokens. Un token corresponde aproximadamente a 0.75 caracteres de texto en inglés para la entrada, y los tokens de salida se cuentan como el número equivalente de muestras de audio generadas (también a $15/1M tokens). No hay margen adicional; OrcaRouter pasa exactamente la tarifa del proveedor. Este modelo de precios significa que el costo escala linealmente con la cantidad de texto procesado y audio producido. Para una entrada típica de 1000 caracteres, el costo total es aproximadamente $0.02 (entrada) + $0.02 (salida) = $0.04 por solicitud.
El streaming en sí no cambia el precio por token; se te cobra la misma cantidad de tokens independientemente de si la respuesta se transmite en streaming o se entrega como un solo bloque. El almacenamiento en caché de solicitudes repetidas del lado del cliente puede ahorrar costos al evitar llamadas duplicadas a la API. OrcaRouter no ofrece almacenamiento en caché del lado del servidor para respuestas TTS. Si tu aplicación genera el mismo texto con frecuencia (p. ej., un saludo estándar), debes pregenerar y almacenar en caché el audio localmente para minimizar los gastos. No hay descuentos por volumen ni precios escalonados; la tarifa es fija por token.
Considere un chatbot que lee en voz alta mensajes de 500 caracteres. Cada mensaje costaría en entrada: 500 caracteres ≈ 667 tokens → ~$0.01; salida: similarmente ~$0.01; total ~$0.02 por mensaje. Con 10,000 mensajes al mes, eso son $200. Para un audiolibro de 50,000 palabras (≈350,000 caracteres de entrada), el costo sería aproximadamente: entrada $0.07, salida $0.07 → $0.14 total por el libro. Sin embargo, tenga en cuenta que el recuento de tokens de salida puede ser mayor debido a la codificación de audio; los costos reales pueden duplicarse. Siempre pruebe una muestra y use los recuentos exactos de tokens devueltos por la API para presupuestar con precisión.
No. OrcaRouter cobra exactamente el mismo precio que el proveedor subyacente (OpenAI) por TTS-1-1106: $15 por 1 millón de tokens de entrada y $15 por 1 millón de tokens de salida. No hay cargos adicionales por usar la puerta de enlace de OrcaRouter. Este precio transparente permite a los desarrolladores acceder al modelo TTS de OpenAI sin ningún aumento de costo en comparación con el uso directo de la API de OpenAI. Solo pagas por el consumo de tokens, y OrcaRouter no añade recargos extras.
Llama al modelo utilizando el endpoint estándar de finalización de chat compatible con OpenAI en la URL base https://api.orcarouter.ai/v1. Establece el parámetro model en "openai/tts-1-1106". El cuerpo de la solicitud requiere un campo input que contenga el texto que deseas convertir, y campos opcionales como voice, response_format y speed (para la velocidad de reproducción). La autenticación se realiza mediante una clave API en el encabezado Authorization. Ejemplo con 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.
Los parámetros clave de la solicitud incluyen: model (obligatorio, configurar en "openai/tts-1-1106"), input (cadena, el texto a hablar), voice (cadena entre alloy, echo, fable, onyx, nova, shimmer), response_format ("mp3" o "opus", valor predeterminado mp3), speed (float, valor predeterminado 1.0; rango documentado por OpenAI de 0.25 a 4.0), y stream (booleano, valor predeterminado false). Parámetros opcionales adicionales incluyen user, según las convenciones de OpenAI. No compatible: functions, tools o logprobs. Para transmisión en streaming, configurar stream: true, y la respuesta será una serie de eventos SSE con datos de audio.
Los campos mínimos requeridos son model e input. El modelo debe ser exactamente "openai/tts-1-1106". El campo input debe ser una cadena no vacía (hasta ~4096 caracteres). Si omites voice, la API usará alloy por defecto. Si omites response_format, el valor predeterminado es mp3. La solicitud debe enviarse como JSON a través de HTTPS. OrcaRouter requiere una clave API válida colocada en el encabezado Authorization con el esquema Bearer. No es necesario especificar el parámetro text_type; se asume texto plano.
Si actualmente estás utilizando el endpoint propio de la API de OpenAI para TTS-1-1106, migrar a OrcaRouter solo requiere cambiar la URL base de https://api.openai.com/v1 a https://api.orcarouter.ai/v1, y actualizar la clave de API a tu clave de OrcaRouter. El ID del modelo debe tener el prefijo openai/ (es decir, usa "openai/tts-1-1106" en lugar de solo "tts-1-1106"). Todos los demás parámetros (input, voice, response_format, etc.) permanecen igual. No se necesitan cambios de código más allá del endpoint y la clave. Los precios siguen siendo idénticos, con un margen cero.
OpenAI también ofrece TTS-1 (el original) y TTS‑1‑HD. TTS-1-1106 es una iteración optimizada para menor latencia y transmisión en tiempo real, mientras que TTS‑1‑HD ofrece mayor calidad a costa de velocidad. TTS-1-1106 admite las mismas seis voces y el mismo precio. En comparación con el modelo TTS-1 anterior, TTS-1-1106 tiene una naturalidad mejorada y artefactos reducidos, especialmente en locuciones más largas. Para aplicaciones donde la calidad de audio es primordial y la latencia es menos crítica, puede ser preferible TTS‑1‑HD; de lo contrario, TTS-1-1106 es la opción recomendada para uso interactivo.
ElevenLabs ofrece amplias capacidades de clonación de voz y control emocional, pero a un costo más alto por carácter (aproximadamente $0.03 por cada 1,000 caracteres en su nivel básico). Azure Neural TTS tiene un precio similar al de OpenAI (alrededor de $15 por 1 millón de caracteres) y admite más de 100 voces y varios idiomas. TTS-1-1106 tiene una selección de voces más reducida, pero una API más simple y una latencia excelente. Si necesitas una voz de marca personalizada, ElevenLabs o Azure son mejores; para acceso solo en inglés, de baja latencia y sin margen de beneficio a través de OrcaRouter, TTS-1-1106 es una opción sólida.
Pueden existir alternativas TTS más baratas (por ejemplo, espeak‑ng o algunos modelos de código abierto que se ejecutan localmente en CPU) pero generalmente carecen de naturalidad. TTS-1-1106 es apropiado cuando necesitas generación de voz de alta calidad, baja latencia y escala en la nube sin gestionar infraestructura. Para volúmenes muy altos donde el costo es crítico, considera una solución personalizada. Si tu aplicación solo necesita voz ocasional, el precio por token de TTS-1-1106 es competitivo. Para idiomas no ingleses o voces personalizadas, otros modelos pueden ser más rentables.
Los principales diferenciadores de TTS-1-1106 son su velocidad (streaming sub‑segundo) y su disponibilidad sin recargo a través de OrcaRouter. Forma parte del ecosistema de OpenAI, por lo que los usuarios que ya integran modelos GPT pueden usar la misma clave API y la misma infraestructura. Las seis voces predefinidas son consistentes y están bien afinadas para la comprensión. La baja latencia del modelo lo hace ideal para IA conversacional, mientras que el soporte SSML (básico) permite cierto control sobre el ritmo. Sin embargo, carece de funciones avanzadas como habla emocional, marcas de tiempo a nivel de palabra o entrenamiento de voz personalizada, que son las compensaciones por su simplicidad y velocidad.
Compatible con OpenAI: conserva tu SDK actual
https://api.orcarouter.ai/v1response_formatspeedvoice| por 1 M de caracteres | $15.00 |
|---|---|
| Moneda | USD |
| Este modelo no se factura por tokens. La tarifa anterior corresponde a la unidad que realmente mide y es la que se cobra en la liquidación. | |
De qué hablan los desarrolladores esta semana
GET /api/public/models/openai/tts-1-1106Abrir @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