Model text-to-speech TTS-1-1106 milik OpenAI, dapat diakses melalui OrcaRouter tanpa markup dengan streaming real-time.
openai/tts-1-1106 adalah model text-to-speech yang dirilis oleh OpenAI pada November 2023. Model ini menggunakan jaringan saraf untuk menghasilkan suara dari teks biasa, dengan tujuan menghasilkan…
Model ini terutama mendukung teks berbahasa Inggris, meskipun dapat memproses teks dalam bahasa lain yang menggunakan alfabet Latin dengan tingkat kealamian yang bervariasi. OpenAI belum menerbitkan daftar lengkap bahasa yang didukung, tetapi penggunaan yang dikenal luas mengonfirmasi kinerja yang kuat untuk bahasa Inggris, Spanyol, Prancis, Jerman, Italia, Portugis, dan Jepang (bila ditulis dalam aksara Latin). Untuk aksara non-Latin seperti Mandarin atau Arab, kualitas keluaran dapat menurun. Pengguna harus menguji bahasa target mereka jika berada di luar kumpulan umum.
Enam suara preset tersedia: alloy, echo, fable, onyx, nova, dan shimmer. Masing-masing memiliki nada dan presentasi gender yang berbeda (misalnya, alloy netral, echo maskulin, fable muda, onyx dalam, nova hangat, shimmer cerah). Suara dipilih dengan mengatur parameter voice dalam permintaan. Tidak ada kemampuan kloning suara kustom atau penyesuaian; Anda harus memilih dari keenam ini. Untuk proyek yang memerlukan suara merek yang konsisten, mungkin perlu mengevaluasi preset mana yang paling sesuai dengan kepribadian yang dimaksud.
Ya, TTS-1-1106 mendukung streaming melalui server-sent events (SSE). Dengan menyetel parameter stream ke true, API mengembalikan data audio sebagai rangkaian potongan, masing-masing berisi bagian dari ucapan yang dihasilkan. Hal ini memungkinkan klien untuk memulai pemutaran hampir seketika, meminimalkan latensi yang dirasakan. Streaming sangat berguna untuk antarmuka percakapan di mana pengguna mengharapkan umpan balik verbal secara instan. Perhatikan bahwa streaming mungkin sedikit meningkatkan total overhead bandwidth, tetapi penundaan ujung-ke-ujung secara signifikan lebih rendah daripada menunggu respons penuh.
TTS-1-1106 memiliki beberapa keterbatasan yang diketahui. Pertama, model ini tidak dapat menghasilkan nyanyian atau vokalisasi non-ucapan (misalnya, tawa, tangisan) secara andal. Kedua, suara preset tidak mendukung ekspresi emosional—nada tetap konsisten terlepas dari konten. Ketiga, panjang teks input maksimum sekitar 4096 karakter; konten yang lebih panjang harus dibagi menjadi beberapa permintaan dan digabungkan. Keempat, penanganan kebisingan latar belakang tidak ada; model mengharapkan teks input yang bersih. Terakhir, kinerja untuk bahasa selain bahasa Inggris mungkin tidak konsisten. Untuk kebutuhan multibahasa berkualitas tinggi, pertimbangkan model khusus.
TTS-1-1106 mencapai kenaturalan mendekati manusia untuk kalimat bahasa Inggris pendek hingga sedang. Arsitektur neural menghasilkan prosodi yang halus, frase yang tepat, dan artefak robotik yang minimal. Evaluasi independen (tidak disediakan dalam fakta yang diberikan) umumnya menempatkannya di antara model TTS serbaguna teratas yang tersedia melalui API komersial. Namun, teks yang sangat panjang kadang-kadang dapat menunjukkan jeda yang tidak alami atau suku kata yang salah aksen. Secara keseluruhan, untuk sebagian besar skenario percakapan dan narasi, keluarannya secara meyakinkan alami.
Latensi bervariasi tergantung pada panjang input dan kondisi jaringan, tetapi TTS-1-1106 dioptimalkan untuk latensi ujung‑ke‑ujung yang rendah. Permintaan tipikal dengan 100–200 karakter mengembalikan potongan audio pertama dalam waktu di bawah 500 ms ketika di‑streaming. Waktu respons penuh untuk input 1000 karakter biasanya di bawah 2 detik. Angka‑angka ini tergantung pada jaringan dan beban server OrcaRouter. Streaming mengurangi latensi yang dirasakan secara signifikan karena pemutaran dapat dimulai sebelum seluruh audio dihasilkan. Untuk aplikasi real‑time, streaming sangat disarankan.
Dibandingkan dengan model TTS lama seperti Tacotron atau WaveNet, TTS-1-1106 menawarkan inferensi yang lebih cepat dan integrasi yang lebih mudah melalui REST API. Secara umum, kualitasnya setara atau melampaui kualitas TTS cloud dari Amazon Polly (suara neural) dan Google Cloud Text-to-Speech (suara WaveNet) pada sampel suara bahasa Inggris standar. Ia tertinggal dari model khusus dari ElevenLabs dalam hal jangkauan emosional dan kloning suara kustom. Untuk biaya, TTS-1-1106 dibanderol dengan harga kompetitif $15 per 1M token input/output (tanpa markup pada OrcaRouter), yang setara dengan sekitar $0.015 per 1K karakter input. Ini mirip dengan tingkatan TTS neural Azure.
Trade-off utamanya adalah terbatasnya pilihan suara (tanpa kustomisasi) dan batas input 4096 karakter. Pengguna yang membutuhkan suara khusus merek harus memilih salah satu dari enam prasetel. Selain itu, model ini tidak menerima tag SSML untuk kontrol yang lebih terperinci atas pengucapan atau penekanan di luar elemen prosodi SSML dasar. Model ini juga tidak mendukung dialog multi-pembicara dalam satu permintaan—setiap permintaan hanya menghasilkan satu suara. Untuk dialog, Anda harus mengirimkan permintaan terpisah dengan parameter suara yang berbeda dan menyambungkan audio di sisi klien.
Harga didasarkan pada token—baik input maupun output—dengan tarif tetap $15.00 per 1,000,000 token. Satu token kira-kira setara dengan 0.75 karakter teks bahasa Inggris untuk input, dan token output dihitung sebagai jumlah setara sampel audio yang dihasilkan (juga dengan tarif $15/1M token). Tidak ada markup tambahan; OrcaRouter meneruskan tarif penyedia tepat seperti adanya. Model harga ini berarti biaya bertambah secara linear dengan jumlah teks yang diproses dan audio yang dihasilkan. Untuk input tipikal sepanjang 1000‑character, total biaya kira-kira $0.02 (input) + $0.02 (output) = $0.04 per permintaan.
Streaming itu sendiri tidak mengubah harga per token; Anda dikenakan biaya untuk jumlah token yang sama terlepas dari apakah respons dialirkan (streamed) atau dikirimkan sebagai satu blob. Caching permintaan berulang di sisi klien dapat menghemat biaya dengan menghindari panggilan API duplikat. OrcaRouter tidak menawarkan caching sisi server untuk respons TTS. Jika aplikasi Anda sering menghasilkan teks yang sama (misalnya, sapaan standar), Anda harus membuat dan menyimpan audio secara lokal untuk meminimalkan biaya. Tidak ada diskon volume atau harga berjenjang; tarifnya tetap per token.
Pertimbangkan sebuah chatbot yang membacakan pesan sepanjang 500 karakter. Setiap pesan akan membutuhkan biaya input: 500 karakter ≈ 667 token → ~$0,01; output: serupa ~$0,01; total ~$0,02 per pesan. Pada 10.000 pesan per bulan, itu berarti $200. Untuk buku audio dengan 50.000 kata (≈350.000 karakter input), biayanya kira-kira: input $0,07, output $0,07 → total $0,14 untuk buku tersebut. Namun, perhatikan bahwa jumlah token output mungkin lebih tinggi karena pengkodean audio; biaya sebenarnya bisa menjadi dua kali lipat. Selalu uji sampel dan gunakan jumlah token persis yang dikembalikan oleh API untuk menganggarkan biaya secara akurat.
Tidak. OrcaRouter mengenakan harga yang sama persis dengan penyedia utama (OpenAI) untuk TTS-1-1106: $15 per 1 juta token input dan $15 per 1 juta token output. Tidak ada biaya tambahan untuk menggunakan gateway OrcaRouter. Harga transparan ini memungkinkan pengembang untuk mengakses model TTS OpenAI tanpa kenaikan biaya dibandingkan menggunakan API OpenAI secara langsung. Anda hanya membayar konsumsi token, dan OrcaRouter tidak menambahkan biaya tambahan apa pun.
Anda memanggil model menggunakan endpoint chat completions standar yang kompatibel dengan OpenAI di URL dasar https://api.orcarouter.ai/v1. Atur parameter model menjadi "openai/tts-1-1106". Badan permintaan memerlukan kolom input yang berisi teks yang ingin Anda konversi, serta kolom opsional seperti voice, response_format, dan speed (untuk kecepatan pemutaran). Autentikasi dilakukan melalui kunci API di header Authorization. Contoh dengan 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.
Parameter permintaan kunci meliputi: model (wajib, diatur ke "openai/tts-1-1106"), input (string, teks yang akan diucapkan), voice (string di antara alloy, echo, fable, onyx, nova, shimmer), response_format ("mp3" atau "opus", default mp3), speed (float, default 1.0; rentang yang didokumentasikan oleh OpenAI adalah 0,25 hingga 4,0), dan stream (boolean, default false). Parameter opsional tambahan termasuk user, sesuai konvensi OpenAI. Tidak didukung: functions, tools, atau logprobs. Untuk streaming, atur stream: true, dan respons akan berupa serangkaian acara SSE dengan data audio.
Kolom yang wajib diisi minimal adalah model dan input. Model harus tepat "openai/tts-1-1106". Kolom input harus berupa string yang tidak kosong (hingga ~4096 karakter). Jika Anda menghilangkan voice, API akan menggunakan default alloy. Jika Anda menghilangkan response_format, defaultnya adalah mp3. Permintaan harus dikirim sebagai JSON melalui HTTPS. OrcaRouter memerlukan kunci API yang valid yang ditempatkan di header Authorization dengan skema Bearer. Tidak perlu menentukan parameter text_type; teks biasa yang digunakan sebagai asumsi.
Jika Anda saat ini menggunakan endpoint API milik OpenAI sendiri untuk TTS-1-1106, migrasi ke OrcaRouter hanya memerlukan perubahan base URL dari https://api.openai.com/v1 menjadi https://api.orcarouter.ai/v1, dan memperbarui kunci API menjadi kunci OrcaRouter Anda. ID model harus diawali dengan openai/ (yaitu, gunakan "openai/tts-1-1106" alih-alih hanya "tts-1-1106"). Semua parameter lainnya (input, voice, response_format, dll.) tetap sama. Tidak ada perubahan kode selain endpoint dan kunci yang diperlukan. Harga tetap identik, tanpa markup.
OpenAI juga menawarkan TTS-1 (yang asli) dan TTS‑1‑HD. TTS-1-1106 adalah iterasi yang dioptimalkan untuk latensi rendah dan streaming, sementara TTS‑1‑HD memberikan kualitas lebih tinggi dengan mengorbankan kecepatan. TTS-1-1106 mendukung enam suara yang sama dan titik harga yang sama. Dibandingkan dengan model TTS-1 yang lebih lama, TTS-1-1106 memiliki peningkatan kealamian dan pengurangan artefak, terutama dalam ucapan yang lebih panjang. Untuk aplikasi di mana kualitas audio sangat penting dan latensi kurang kritis, TTS‑1‑HD mungkin lebih disukai; jika tidak, TTS-1-1106 adalah pilihan yang direkomendasikan untuk penggunaan interaktif.
ElevenLabs menawarkan kloning suara dan kontrol emosi yang ekstensif, tetapi dengan biaya per karakter yang lebih tinggi (sekitar $0.03 per 1K karakter untuk tingkatan dasar mereka). Azure Neural TTS memiliki harga yang mirip dengan OpenAI (sekitar $15 per 1M karakter) dan mendukung lebih dari 100 suara serta berbagai bahasa. TTS-1-1106 memiliki pilihan suara yang lebih sedikit tetapi API yang lebih sederhana dan latensi yang sangat baik. Jika Anda membutuhkan suara merek khusus, ElevenLabs atau Azure lebih baik; untuk akses hanya bahasa Inggris, latensi rendah, tanpa markup melalui OrcaRouter, TTS-1-1106 adalah pilihan yang kuat.
Alternatif TTS yang lebih murah mungkin ada (misalnya, espeak‑ng atau beberapa model sumber terbuka yang berjalan di CPU lokal) tetapi biasanya kurang natural. TTS-1-1106 cocok ketika Anda membutuhkan pembangkitan ucapan berskala cloud, berkualitas tinggi, latensi rendah tanpa mengelola infrastruktur. Untuk volume yang sangat tinggi di mana biaya menjadi kritis, pertimbangkan solusi kustom. Jika aplikasi Anda hanya membutuhkan ucapan sesekali, harga per-token TTS-1-1106 bersaing. Untuk bahasa non-Inggris atau suara kustom, model lain mungkin lebih hemat biaya.
Pembeda utama TTS-1-1106 adalah kecepatannya (streaming sub‑detik) dan ketersediaan tanpa markup melalui OrcaRouter. Model ini merupakan bagian dari ekosistem OpenAI, sehingga pengguna yang sudah mengintegrasikan model GPT dapat menggunakan kunci API dan infrastruktur yang sama. Enam suara preset yang ada konsisten dan disetel dengan baik untuk pemahaman. Latensi rendah model ini menjadikannya ideal untuk AI percakapan, sementara dukungan SSML (dasar) memungkinkan beberapa kontrol atas tempo bicara. Namun, model ini tidak memiliki fitur lanjutan seperti ucapan emosional, stempel waktu tingkat kata, atau pelatihan suara khusus – yang merupakan trade‑off untuk kesederhanaan dan kecepatannya.
Kompatibel OpenAI — pakai SDK Anda yang sekarang
https://api.orcarouter.ai/v1response_formatspeedvoice| per 1 juta karakter | $15.00 |
|---|---|
| Mata uang | USD |
| Model ini tidak ditagih per token. Tarif di atas adalah unit yang benar-benar diukur dan itulah yang dikenakan saat penyelesaian. | |
Yang dibicarakan developer minggu ini
GET /api/public/models/openai/tts-1-1106Buka @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