Le modèle de synthèse vocale TTS-1-1106 d'OpenAI, accessible via OrcaRouter sans marge avec streaming en temps réel.
openai/tts-1-1106 est un modèle de synthèse vocale publié par OpenAI en novembre 2023. Il utilise un réseau neuronal pour générer de la parole à partir de texte brut, visant une intonation, un rythme…
Le modèle prend principalement en charge les textes en anglais, bien qu'il puisse traiter des textes dans d'autres langues utilisant l'alphabet latin avec différents degrés de naturel. OpenAI n'a pas publié de liste exhaustive des langues prises en charge, mais une utilisation largement documentée confirme de bonnes performances pour l'anglais, l'espagnol, le français, l'allemand, l'italien, le portugais et le japonais (lorsqu'il est écrit en alphabet latin). Pour les écritures non latines comme le chinois ou l'arabe, la qualité du résultat peut se dégrader. Les utilisateurs doivent tester leur langue cible si elle ne fait pas partie de l'ensemble courant.
Six voix prédéfinies sont disponibles : alloy, echo, fable, onyx, nova et shimmer. Chacune possède un ton et une présentation de genre distincts (par exemple, alloy est neutre, echo est masculin, fable est juvénile, onyx est profond, nova est chaleureuse, shimmer est lumineuse). La voix est sélectionnée en définissant le paramètre voice dans la requête. Il n’existe aucune capacité de clonage vocal personnalisé ou de réglage fin ; vous devez choisir parmi ces six. Pour les projets nécessitant une voix de marque cohérente, il peut être nécessaire d’évaluer quel préréglage correspond le mieux à la personnalité souhaitée.
Oui, TTS-1-1106 prend en charge le streaming via les événements envoyés par le serveur (SSE). En définissant le paramètre stream sur true, l'API renvoie les données audio sous forme d'une séquence de morceaux, chacun contenant une partie de la parole générée. Cela permet aux clients de commencer la lecture presque immédiatement, minimisant ainsi la latence perçue. Le streaming est particulièrement utile pour les interfaces conversationnelles où les utilisateurs attendent un retour verbal instantané. Notez que le streaming peut légèrement augmenter la surcharge totale de bande passante, mais le délai de bout en bout est significativement inférieur à celui d'une attente pour une réponse complète.
TTS-1-1106 présente plusieurs limitations connues. Premièrement, il ne peut pas produire de chant ou de vocalisations non verbales (par exemple, rires, pleurs) de manière fiable. Deuxièmement, les voix prédéfinies ne prennent pas en charge l'expression émotionnelle ; le ton reste constant quel que soit le contenu. Troisièmement, la longueur maximale du texte d'entrée est d'environ 4096 caractères ; le contenu plus long doit être divisé en plusieurs requêtes et concaténé. Quatrièmement, il n'y a pas de gestion du bruit de fond ; le modèle attend un texte d'entrée propre. Enfin, les performances pour les langues autres que l'anglais peuvent être incohérentes. Pour des besoins multilingues de haute qualité, envisagez des modèles spécialisés.
TTS-1-1106 atteint une naturalité quasi humaine pour les phrases courtes à moyennes en anglais. L'architecture neuronale produit une prosodie fluide, un phrasé approprié et des artefacts robotiques minimes. Les évaluations indépendantes (non fournies dans les faits donnés) le placent généralement parmi les meilleurs modèles TTS généralistes disponibles via les API commerciales. Cependant, les textes très longs peuvent occasionnellement présenter des pauses non naturelles ou des syllabes mal accentuées. Dans l'ensemble, pour la plupart des scénarios de conversation et de narration, la sortie est d'une naturalité convaincante.
La latence varie en fonction de la longueur de l'entrée et des conditions réseau, mais TTS-1-1106 est optimisé pour un faible délai de bout en bout. Une requête typique de 100 à 200 caractères renvoie le premier segment audio en moins de 500 ms en streaming. Le temps de réponse complet pour une entrée de 1000 caractères est généralement inférieur à 2 secondes. Ces chiffres dépendent du réseau et de la charge du serveur d'OrcaRouter. Le streaming réduit considérablement la latence perçue car la lecture peut commencer avant que l'intégralité de l'audio ne soit générée. Pour les applications en temps réel, le streaming est fortement recommandé.
Par rapport aux anciens modèles TTS comme Tacotron ou WaveNet, TTS-1-1106 offre une inférence plus rapide et une intégration plus facile via une API REST. Il égale ou dépasse généralement la qualité des TTS cloud d'Amazon Polly (voix neuronales) et de Google Cloud Text-to-Speech (voix WaveNet) sur des échantillons vocaux en anglais standard. Il est en retrait par rapport aux modèles spécialisés d'ElevenLabs en termes de gamme émotionnelle et de clonage vocal personnalisé. En termes de coût, TTS-1-1106 est proposé à un prix compétitif de 15 $ par million de tokens d'entrée/sortie (sans majoration sur OrcaRouter), ce qui correspond à environ 0,015 $ pour 1 000 caractères d'entrée. Cela est similaire aux niveaux de TTS neuronaux d'Azure.
Les principaux compromis sont la sélection vocale limitée (aucune personnalisation) et la limite de saisie de 4096 caractères. Les utilisateurs ayant besoin d'une voix spécifique à leur marque doivent choisir l'un des six préréglages. De plus, le modèle n'accepte pas les balises SSML pour un contrôle précis de la prononciation ou de l'emphase au-delà des éléments de prosodie SSML de base. Il ne prend pas non plus en charge le dialogue à plusieurs locuteurs dans une seule requête — chaque requête produit une seule voix. Pour le dialogue, vous devez envoyer des requêtes distinctes avec différents paramètres vocaux et assembler l'audio côté client.
La tarification est basée sur les jetons — à la fois en entrée et en sortie — à un tarif fixe de $15.00 pour 1,000,000 de jetons. Un jeton correspond approximativement à 0.75 caractère de texte anglais pour l'entrée, et les jetons de sortie sont comptés comme le nombre équivalent d'échantillons audio générés (également à $15/1M de jetons). Il n'y a pas de majoration supplémentaire ; OrcaRouter applique exactement le tarif du fournisseur. Ce modèle de tarification signifie que le coût évolue linéairement avec la quantité de texte traitée et d'audio produite. Pour une entrée typique de 1000 caractères, le coût total est d'environ $0.02 (entrée) + $0.02 (sortie) = $0.04 par requête.
Le streaming en lui-même ne modifie pas le prix par token ; vous êtes facturé pour le même nombre de tokens, que la réponse soit diffusée en continu ou livrée sous forme d'un bloc unique. La mise en cache des requêtes répétées côté client peut réduire les coûts en évitant les appels API en double. OrcaRouter ne propose pas de mise en cache côté serveur pour les réponses TTS. Si votre application génère souvent le même texte (par exemple, un message d'accueil standard), vous devriez pré-générer et mettre en cache l'audio localement pour minimiser les dépenses. Il n'y a pas de remises sur volume ni de tarification par paliers ; le tarif est fixe par token.
Considérez un chatbot qui lit à voix haute des messages de 500 caractères. Chaque message coûterait en entrée : 500 caractères ≈ 667 tokens → ~0,01 $ ; en sortie : de même ~0,01 $ ; total ~0,02 $ par message. Pour 10 000 messages par mois, cela représente 200 $. Pour un livre audio de 50 000 mots (≈350 000 caractères en entrée), le coût serait approximativement : entrée 0,07 $, sortie 0,07 $ → 0,14 $ au total pour le livre. Cependant, notez que le nombre de tokens en sortie peut être plus élevé en raison du codage audio ; les coûts réels peuvent doubler. Testez toujours un échantillon et utilisez les nombres exacts de tokens renvoyés par l'API pour budgétiser avec précision.
Non. OrcaRouter facture exactement le même prix que le fournisseur sous-jacent (OpenAI) pour TTS-1-1106 : 15 $ par million de tokens en entrée et 15 $ par million de tokens en sortie. Il n’y a aucuns frais supplémentaires pour l’utilisation de la passerelle OrcaRouter. Cette tarification transparente permet aux développeurs d’accéder au modèle TTS d’OpenAI sans aucune augmentation de coût par rapport à l’utilisation directe de l’API d’OpenAI. Vous ne payez que la consommation de tokens, et OrcaRouter n’ajoute aucune majoration.
Vous appelez le modèle en utilisant le point de terminaison standard compatible OpenAI pour les chat completions à l'URL de base https://api.orcarouter.ai/v1. Définissez le paramètre model sur "openai/tts-1-1106". Le corps de la requête nécessite un champ input contenant le texte que vous souhaitez convertir, et des champs facultatifs comme voice, response_format et speed (pour la vitesse de lecture). L'authentification se fait via une clé API dans l'en-tête Authorization. Exemple avec 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.
Les paramètres clés de la requête incluent : model (obligatoire, défini sur "openai/tts-1-1106"), input (chaîne, le texte à prononcer), voice (chaîne parmi alloy, echo, fable, onyx, nova, shimmer), response_format ("mp3" ou "opus", par défaut mp3), speed (float, par défaut 1.0 ; plage documentée par OpenAI de 0.25 à 4.0), et stream (booléen, par défaut false). Des paramètres optionnels supplémentaires incluent user, conformément aux conventions d’OpenAI. Non pris en charge : fonctions, outils ou logprobs. Pour le streaming, définissez stream: true, et la réponse sera une série d’événements SSE contenant des données audio.
Les champs obligatoires minimaux sont model et input. Le champ model doit être exactement "openai/tts-1-1106". Le champ input doit être une chaîne non vide (jusqu'à ~4096 caractères). Si vous omettez voice, l'API utilise alloy par défaut. Si vous omettez response_format, le format par défaut est mp3. La requête doit être envoyée en JSON sur HTTPS. OrcaRouter nécessite une clé API valide placée dans l'en-tête Authorization avec le schéma Bearer. Il n'est pas nécessaire de spécifier le paramètre text_type ; le texte brut est supposé.
Si vous utilisez actuellement le point d'extrémité de l'API d'OpenAI pour TTS-1-1106, la migration vers OrcaRouter nécessite uniquement de changer l'URL de base de https://api.openai.com/v1 à https://api.orcarouter.ai/v1, et de mettre à jour la clé API avec votre clé OrcaRouter. L'ID du modèle doit être préfixé par openai/ (c'est-à-dire utiliser "openai/tts-1-1106" au lieu de simplement "tts-1-1106"). Tous les autres paramètres (input, voice, response_format, etc.) restent inchangés. Aucune modification de code n'est nécessaire au-delà du point d'extrémité et de la clé. Les prix restent identiques, sans aucune majoration.
OpenAI propose également TTS-1 (l'original) et TTS‑1‑HD. TTS-1-1106 est une itération optimisée pour une latence réduite et le streaming, tandis que TTS‑1‑HD offre une qualité supérieure au détriment de la vitesse. TTS-1-1106 prend en charge les six mêmes voix et le même prix. Comparé au modèle plus ancien TTS-1, le TTS-1-1106 offre un naturel amélioré et moins d'artefacts, en particulier dans les énoncés plus longs. Pour les applications où la qualité audio est primordiale et la latence moins critique, TTS‑1‑HD peut être préférable ; sinon, TTS-1-1106 est le choix recommandé pour une utilisation interactive.
ElevenLabs propose un clonage vocal étendu et un contrôle des émotions, mais à un coût par caractère plus élevé (environ 0,03 € pour 1 000 caractères pour leur niveau de base). Azure Neural TTS a un prix similaire à OpenAI (environ 15 € pour 1 million de caractères) et prend en charge plus de 100 voix et plusieurs langues. TTS-1-1106 propose une sélection de voix plus restreinte, mais une API plus simple et une excellente latence. Si vous avez besoin d’une voix de marque personnalisée, ElevenLabs ou Azure sont meilleurs ; pour un accès en anglais uniquement, à faible latence, sans marge via OrcaRouter, TTS-1-1106 est performant.
Des alternatives TTS moins chères peuvent exister (par exemple, espeak‑ng ou certains modèles open‑source fonctionnant localement sur CPU), mais manquent généralement de naturel. TTS-1-1106 est approprié lorsque vous avez besoin d’une génération vocale à l’échelle du cloud, de haute qualité et à faible latence, sans gérer d’infrastructure. Pour un volume très élevé où le coût est critique, envisagez une solution personnalisée. Si votre application n’a besoin que d’une synthèse vocale occasionnelle, la tarification par token de TTS-1-1106 est compétitive. Pour les langues non anglaises ou les voix personnalisées, d’autres modèles peuvent être plus rentables.
Les principaux atouts de TTS-1-1106 sont sa rapidité (streaming en moins d’une seconde) et sa disponibilité sans marge via OrcaRouter. Il fait partie de l’écosystème OpenAI, donc les utilisateurs intégrant déjà les modèles GPT peuvent utiliser la même clé API et la même infrastructure. Les six voix prédéfinies sont cohérentes et bien réglées pour la compréhension. La faible latence du modèle le rend idéal pour l’IA conversationnelle, tandis que le support SSML (de base) permet un certain contrôle sur le rythme. Cependant, il lui manque des fonctionnalités avancées comme la parole émotionnelle, les horodatages au niveau du mot ou l’entraînement vocal personnalisé – autant de compromis pour sa simplicité et sa vitesse.
Compatible OpenAI — gardez votre SDK actuel
https://api.orcarouter.ai/v1response_formatspeedvoice| par million de caractères | $15.00 |
|---|---|
| Devise | USD |
| Ce modèle n'est pas facturé au token. Le tarif ci-dessus correspond à l'unité réellement mesurée, celle qui est débitée. | |
Ce dont parlent les développeurs cette semaine
GET /api/public/models/openai/tts-1-1106Ouvrir @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