מודל ה-TTS-1-1106 של OpenAI לטקסט-לדיבור, נגיש דרך OrcaRouter ללא תוספת מחיר עם הזרמה בזמן אמת.
openai/tts-1-1106 הוא מודל טקסט-לדיבור ששוחרר על ידי OpenAI בנובמבר 2023. הוא משתמש ברשת עצבית להפקת דיבור מטקסט פשוט, תוך שאיפה לאינטונציה טבעית, קצב ובהירות. המודל תומך בעד שישה קולות מוגדרים…
המודל תומך בעיקר בטקסט בשפה האנגלית, אם כי הוא יכול לעבד טקסט בשפות אחרות המשתמשות באלפבית הלטיני בדרגות שונות של טבעיות. OpenAI לא פרסמה רשימה ממצה של שפות נתמכות, אך שימוש נרחב מאשר ביצועים חזקים עבור אנגלית, ספרדית, צרפתית, גרמנית, איטלקית, פורטוגזית ויפנית (כאשר היא כתובה בכתב לטיני). עבור כתבים שאינם לטיניים כגון סינית או ערבית, איכות הפלט עלולה להתדרדר. על המשתמשים לבדוק את שפת היעד שלהם אם היא מחוץ לקבוצה הנפוצה.
זמינים שישה קולות מוגדרים מראש: alloy, echo, fable, onyx, nova, shimmer. לכל אחד מהם גוון ייחודי והצגה מגדרית (לדוגמה, alloy הוא נייטרלי, echo גברי, fable צעיר, onyx עמוק, nova חם, shimmer בהיר). הקול נבחר על ידי הגדרת הפרמטר voice בבקשה. אין אפשרות לשכפל קול מותאם אישית או לכוונן אותו; יש לבחור מבין ששת אלה. עבור פרויקטים הדורשים קול מותג עקבי, ייתכן שיהיה צורך להעריך איזה מהקולות המוגדרים מראש מתאים ביותר לאישיות המיועדת.
כן, TTS-1-1106 תומך בהזרמה באמצעות אירועים שנשלחים מהשרת (SSE). על ידי הגדרת הפרמטר stream לערך true, ה-API מחזיר נתוני שמע כרצף של מקטעים (chunks), שכל אחד מהם מכיל חלק מהדיבור שנוצר. כך יכולים הלקוחות להתחיל בהשמעה כמעט מיידית, תוך מזעור השהייה הנתפסת. ההזרמה שימושית במיוחד בממשקי שיחה שבהם משתמשים מצפים למשוב מילולי מיידי. שימו לב שהזרמה עשויה להגדיל מעט את תעבורת הרוחב הכוללת, אך העיכוב מקצה לקצה נמוך משמעותית מהמתנה לתשובה מלאה.
ל-TTS-1-1106 יש מספר מגבלות ידועות. ראשית, הוא אינו יכול להפיק שירה או קולות שאינם דיבור (למשל, צחוק, בכי) באופן אמין. שנית, הקולות המוגדרים מראש אינם תומכים בהבעה רגשית – הטון נשאר עקבי ללא תלות בתוכן. שלישית, אורך טקסט הקלט המרבי הוא כ־4096 תווים; תוכן ארוך יותר חייב להתפצל למספר בקשות ולשרשר אותם. רביעית, טיפול ברעשי רקע אינו קיים; המודל מצפה לטקסט קלט נקי. לבסוף, הביצועים עבור שפות שאינן אנגלית עשויים להיות לא עקביים. לצרכים רב־לשוניים באיכות גבוהה, שקול מודלים ייעודיים.
TTS-1-1106 משיג טבעיות קרובה לאנושית עבור משפטים באנגלית באורך קצר עד בינוני. הארכיטקטורה העצבית מייצרת פרוזודיה חלקה, ניסוח מתאים ומינימום חפצים רובוטיים. הערכות עצמאיות (שלא סופקו בעובדות הנתונות) בדרך כלל ממקמות אותו בין מודלי ה-TTS הכלליים המובילים הזמינים דרך ממשקי API מסחריים. עם זאת, טקסטים ארוכים מאוד עלולים להציג מדי פעם הפסקות לא טבעיות או הברות מוטעמות בצורה שגויה. בסך הכל, עבור רוב תרחישי השיחה והקריינות, הפלט טבעי בצורה משכנעת.
השהיה משתנה בהתאם לאורך הקלט ולתנאי הרשת, אך TTS-1-1106 מותאם לעיכוב סוף-אל-סוף נמוך. בקשה טיפוסית של 100–200 תווים מחזירה את פיסת האודיו הראשונה תוך פחות מ-500 אלפיות שנייה בעת הזרמה (streaming). זמן התגובה המלא עבור קלט של 1000 תווים הוא בדרך כלל מתחת ל-2 שניות. נתונים אלה תלויים ברשת ובעומס השרת של OrcaRouter. הזרמה מפחיתה באופן משמעותי את ההשהיה הנתפסת מכיוון שניתן להתחיל בהשמעה לפני שהאודיו כולו נוצר. עבור יישומי זמן אמת, הזרמה מומלצת מאוד.
בהשוואה למודלי TTS ישנים יותר כמו Tacotron או WaveNet, TTS-1-1106 מציע הסקה מהירה יותר ואינטגרציה קלה יותר באמצעות REST API. הוא בדרך כלל תואם או עולה על האיכות של TTS בענן מ-Amazon Polly (קולות עצביים) ו-Google Cloud Text-to-Speech (קולות WaveNet) בדגימות קול סטנדרטיות באנגלית. הוא נופל ממודלים ייעודיים של ElevenLabs מבחינת טווח רגשי ושכפול קול מותאם אישית. מבחינת עלות, TTS-1-1106 מתומחר בתחרותיות ב-$15 ל-1M טוקני קלט/פלט (ללא תוספת מחיר על OrcaRouter), שמתורגם לכ-$0.015 ל-1K תווים של קלט. זה דומה לדרגות ה-TTS העצביות של Azure.
ההתפשרות העיקרית היא במגבלת מבחר הקולות (ללא התאמה אישית) ובמגבלת הקלט של 4096 תווים. משתמשים הזקוקים לקול ייחודי למותג חייבים לבחור אחת משש האפשרויות המוגדרות מראש. בנוסף, המודל אינו מקבל תגי SSML לשליטה מדויקת על הגייה או הדגשה מעבר לאלמנטים בסיסיים של פרוזודיה ב‑SSML. כמו כן, הוא אינו תומך בדיאלוג רב‑דוברים בבקשה אחת – כל בקשה מפיקה קול אחד. לצורך דיאלוג, יש לשלוח בקשות נפרדות עם פרמטרי קול שונים ולתפור את האודיו בצד הלקוח.
התמחור מבוסס על אסימונים—גם קלט וגם פלט—בתעריף קבוע של $15.00 לכל 1,000,000 אסימונים. אסימון אחד מקביל בערך ל-0.75 תווים של טקסט באנגלית עבור קלט, ואסימוני פלט נספרים כמספר המקביל של דגימות אודיו שנוצרו (גם ב-$15/1M אסימונים). אין תוספת מחיר; OrcaRouter מעביר את התעריף של הספק בדיוק. מודל תמחור זה אומר שהעלות גדלה באופן ליניארי עם כמות הטקסט המעובד והאודיו המופק. עבור קלט טיפוסי של 1000 תווים, העלות הכוללת היא בערך $0.02 (קלט) + $0.02 (פלט) = $0.04 לבקשה.
הסטרימינג עצמו אינו משנה את המחיר לכל טוקן; אתה מחויב באותו מספר טוקנים ללא תלות בשאלה אם התגובה מועברת בסטרימינג או כמקטע בודד. שמירה במטמון (Caching) של בקשות חוזרות בצד הלקוח יכולה לחסוך בעלויות על ידי הימנעות מקריאות API כפולות. OrcaRouter אינו מציע שמירה במטמון בצד השרת עבור תגובות TTS. אם האפליקציה שלך מייצרת את אותו טקסט לעתים קרובות (למשל, ברכת ברוכים הבאים סטנדרטית), עליך ליצור מראש ולשמור את האודיו במטמון מקומי כדי למזער הוצאות. אין הנחות כמות או תמחור מדורג; התעריף הוא קבוע לכל טוקן.
שקול צ'אטבוט שמקריא הודעות באורך 500 תווים. כל הודעה תעלה בקלט: 500 תווים ≈ 667 טוקנים → ~$0.01; פלט: דומה ~$0.01; סה"כ ~$0.02 להודעה. ב-10,000 הודעות בחודש, זה $200. עבור ספר שמע של 50,000 מילים (≈350,000 תווים בקלט), העלות תהיה בערך: קלט $0.07, פלט $0.07 → $0.14 סה"כ לספר. עם זאת, שים לב שמספר טוקני הפלט עשוי להיות גבוה יותר עקב קידוד אודיו; עלויות בפועל עשויות להכפיל את עצמן. תמיד בדוק דגימה והשתמש בספירות הטוקנים המדויקות שה-API מחזיר כדי לתקצב במדויק.
לא. OrcaRouter גובה בדיוק את אותו מחיר כמו הספק הבסיסי (OpenAI) עבור TTS-1-1106: $15 למיליון טוקנים של קלט ו-$15 למיליון טוקנים של פלט. אין עמלות נוספות עבור שימוש בשער OrcaRouter. תמחור שקוף זה מאפשר למפתחים לגשת למודל TTS של OpenAI ללא עלייה בעלות בהשוואה לשימוש ישיר ב-API של OpenAI עצמה. אתה משלם רק על צריכת הטוקנים, ו- OrcaRouter אינה מוסיפה תוספות כלשהן.
אתה קורא למודל באמצעות נקודת הקצה הסטנדרטית התואמת OpenAI להשלמות צ'אט בכתובת הבסיס https://api.orcarouter.ai/v1. הגדר את פרמטר המודל ל- "openai/tts-1-1106". גוף הבקשה דורש שדה input המכיל את הטקסט שברצונך להמיר, ושדות אופציונליים כמו voice, response_format ו-speed (לקצב השמעה). האימות מתבצע באמצעות מפתח API בכותרת Authorization. דוגמה עם 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
פרמטרי הבקשה המרכזיים כוללים: model (חובה, מוגדר ל-"openai/tts-1-1106"), input (מחרוזת, הטקסט שיש לדבר), voice (מחרוזת מתוך alloy, echo, fable, onyx, nova, shimmer), response_format ("mp3" או "opus", ברירת מחדל mp3), speed (מס' עשרוני, ברירת מחדל 1.0; טווח שתועד על ידי OpenAI כ-0.25 עד 4.0), ו-stream (ערך בוליאני, ברירת מחדל false). פרמטרים אופציונליים נוספים כוללים user, על פי מוסכמות OpenAI. לא נתמך: functions, tools, או logprobs. לסטרימינג, הגדר stream: true, והתגובה תהיה סדרה של אירועי SSE עם נתוני אודיו.
השדות הנדרשים המינימליים הם model ו‑input. המודל חייב להיות בדיוק "openai/tts-1-1106". שדה input חייב להיות מחרוזת לא ריקה (עד כ‑4096 תווים). אם לא מציינים voice, ברירת המחדל של ה‑API היא alloy. אם לא מציינים response_format, ברירת המחדל היא mp3. יש לשלוח את הבקשה כ‑JSON דרך HTTPS. OrcaRouter דורש מפתח API תקף המוצב בכותרת Authorization עם סכמת Bearer. אין צורך לציין את הפרמטר text_type; טקסט פשוט הוא ברירת המחדל.
אם אתה משתמש כעת בנקודת הקצה של OpenAI עבור TTS-1-1106, מעבר ל-OrcaRouter דורש רק שינוי ה-URL הבסיסי מ-https://api.openai.com/v1 ל-https://api.orcarouter.ai/v1, ועדכון מפתח ה-API למפתח OrcaRouter שלך. יש להוסיף קידומת openai/ למזהה המודל (כלומר, השתמש ב-"openai/tts-1-1106" במקום "tts-1-1106" בלבד). כל שאר הפרמטרים (input, voice, response_format, וכו') נשארים זהים. אין צורך בשינויים בקוד מלבד נקודת הקצה והמפתח. התמחור נשאר זהה, ללא תוספת עלות.
OpenAI מציעה גם את TTS-1 (הגרסה המקורית) ואת TTS‑1‑HD. TTS-1-1106 היא גרסה שעברה אופטימיזציה להשהייה נמוכה יותר ולהזרמה, בעוד ש‑TTS‑1‑HD מספק איכות גבוהה יותר על חשבון המהירות. TTS-1-1106 תומך באותם שישה קולות ובאותה נקודת מחיר. בהשוואה למודל TTS-1 הישן יותר, ל‑TTS-1-1106 יש טבעיות משופרת וחפצים מופחתים, במיוחד בהצהרות ארוכות יותר. עבור יישומים שבהם איכות השמע היא בעלת חשיבות עליונה והשהייה פחות קריטית, TTS‑1‑HD עשוי להיות מועדף; אחרת, TTS-1-1106 הוא הבחירה המומלצת לשימוש אינטראקטיבי.
ElevenLabs מציעה שכפול קול נרחב ושליטה רגשית, אך בעלות גבוהה יותר לתו (בערך $0.03 לכל 1,000 תווים במסלול הבסיסי שלהם). ל‑Azure Neural TTS תמחור דומה ל‑OpenAI (כ‑$15 למיליון תווים) והיא תומכת בלמעלה מ‑100 קולות ומספר שפות. ל‑TTS-1-1106 מבחר קולות קטן יותר אבל API פשוט יותר וזמן השהייה מצוין. אם אתה זקוק לקול מותאם למותג, ElevenLabs או Azure עדיפות; לשימוש באנגלית בלבד, עם זמן השהייה נמוך וגישה ללא תוספת מחיר דרך OrcaRouter, TTS-1-1106 היא אופציה חזקה.
ייתכן שקיימות חלופות TTS זולות יותר (למשל espeak‑ng או מודלים בקוד פתוח הפועלים מקומית על CPU), אך לרוב הן חסרות טבעיות. TTS-1-1106 מתאים כאשר יש צורך ביצירת דיבור באיכות גבוהה, זמן השהיה נמוך ובקנה מידה ענני ללא ניהול תשתית. לנפח גבוה מאוד שבו העלות קריטית, שקול פתרון מותאם אישית. אם האפליקציה שלך זקוקה לדיבור מזדמן בלבד, התמחור לפי אסימון של TTS-1-1106 תחרותי. עבור שפות לא אנגליות או קולות מותאמים אישית, ייתכן שמודלים אחרים יהיו חסכוניים יותר.
המבדלים העיקריים של TTS-1-1106 הם מהירותו (סטרימינג תת‑שנייה) וזמינותו ללא תוספת מחיר דרך OrcaRouter. הוא חלק ממערכת האקוסיסטם של OpenAI, כך שמשתמשים שכבר משלבים מודלי GPT יכולים להשתמש באותו מפתח API ובאותה תשתית. ששת הקולות המוגדרים מראש עקביים ומכוונים היטב להבנה. השהות הנמוכה של המודל הופכת אותו לאידיאלי עבור בינה מלאכותית שיחתית, בעוד שתמיכת SSML (בסיסית) מאפשרת שליטה מסוימת בקצב. עם זאת, חסרות בו תכונות מתקדמות כמו דיבור רגשי, חותמות זמן ברמת מילה או אימון קול מותאם אישית – אלו הן פשרות עבור פשטותו ומהירותו.
תואם OpenAI — המשיכו להשתמש ב-SDK שכבר יש לכם
https://api.orcarouter.ai/v1response_formatspeedvoice| לכל מיליון תווים | $15.00 |
|---|---|
| מטבע | USD |
| מודל זה אינו מחויב לפי טוקנים. התעריף שלמעלה הוא היחידה הנמדדת בפועל וזו היחידה שנגבית בעת החיוב. | |
על מה מפתחים מדברים השבוע
@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