Il modello text-to-speech TTS-1-1106 di OpenAI, accessibile tramite OrcaRouter con markup zero e streaming in tempo reale.
openai/tts-1-1106 è un modello text-to-speech rilasciato da OpenAI nel novembre 2023. Utilizza una rete neurale per generare audio a partire da testo semplice, puntando a intonazione, ritmo e…
Il modello supporta principalmente testi in lingua inglese, sebbene possa elaborare testi in altre lingue che utilizzano l'alfabeto latino con gradi variabili di naturalezza. OpenAI non ha pubblicato un elenco esaustivo delle lingue supportate, ma l'uso ampiamente noto conferma prestazioni elevate per inglese, spagnolo, francese, tedesco, italiano, portoghese e giapponese (quando scritto in caratteri latini). Per scritture non latine, come il cinese o l'arabo, la qualità dell'output potrebbe degradare. Gli utenti dovrebbero testare la propria lingua di destinazione se questa non rientra nel set comune.
Sei voci preimpostate sono disponibili: alloy, echo, fable, onyx, nova e shimmer. Ognuna ha un tono e una presentazione di genere distinti (ad esempio, alloy è neutrale, echo è maschile, fable è giovanile, onyx è profonda, nova è calda, shimmer è brillante). La voce viene selezionata impostando il parametro voice nella richiesta. Non esiste la possibilità di clonare o ottimizzare voci personalizzate; è necessario scegliere tra queste sei. Per progetti che richiedono una voce di marca coerente, potrebbe essere necessario valutare quale preimpostazione corrisponde meglio alla personalità desiderata.
Sì, TTS-1-1106 supporta lo streaming tramite server-sent events (SSE). Impostando il parametro stream su true, l'API restituisce i dati audio come una sequenza di chunk, ciascuno contenente una porzione del discorso generato. Ciò consente ai client di iniziare la riproduzione quasi immediatamente, riducendo al minimo la latenza percepita. Lo streaming è particolarmente utile per le interfacce conversazionali in cui gli utenti si aspettano un feedback verbale istantaneo. Nota che lo streaming può aumentare leggermente il sovraccarico totale della larghezza di banda, ma il ritardo end-to-end è significativamente inferiore rispetto all'attesa di una risposta completa.
TTS-1-1106 presenta diverse limitazioni note. In primo luogo, non è in grado di produrre in modo affidabile canti o vocalizzazioni non verbali (ad esempio, risate, pianti). In secondo luogo, le voci preimpostate non supportano l'espressione emotiva: il tono rimane costante indipendentemente dal contenuto. In terzo luogo, la lunghezza massima del testo in input è di circa 4096 caratteri; i contenuti più lunghi devono essere suddivisi in più richieste e concatenati. In quarto luogo, la gestione del rumore di fondo è assente; il modello richiede un testo di input pulito. Infine, le prestazioni per lingue diverse dall'inglese potrebbero essere inconsistenti. Per esigenze multilingue di alta qualità, considera modelli specializzati.
TTS-1-1106 raggiunge una naturalezza quasi umana per frasi inglesi di media e breve lunghezza. L'architettura neurale produce una prosodia fluida, un fraseggio appropriato e artefatti robotici minimi. Valutazioni indipendenti (non fornite nei dati dati) generalmente lo collocano tra i modelli TTS generici più performanti disponibili tramite API commerciali. Tuttavia, testi molto lunghi possono occasionalmente presentare pause innaturali o sillabe accentate in modo errato. In generale, per la maggior parte degli scenari conversazionali e narrativi, l'output è convincentemente naturale.
La latenza varia con la lunghezza dell'input e le condizioni di rete, ma TTS-1-1106 è ottimizzato per una bassa latenza end‑to‑end. Una richiesta tipica di 100–200 caratteri restituisce il primo chunk audio in meno di 500 ms in streaming. Il tempo di risposta completo per un input di 1000 caratteri è solitamente inferiore a 2 secondi. Questi valori dipendono dalla rete di OrcaRouter e dal carico del server. Lo streaming riduce significativamente la latenza percepita, poiché la riproduzione può iniziare prima che l'intero audio sia generato. Per applicazioni in tempo reale, lo streaming è fortemente consigliato.
Rispetto ai modelli TTS più vecchi come Tacotron o WaveNet, TTS-1-1106 offre un'inferenza più veloce e un'integrazione più semplice tramite un'API REST. Generalmente eguaglia o supera la qualità del TTS cloud di Amazon Polly (voci neurali) e Google Cloud Text-to-Speech (voci WaveNet) su campioni vocali standard in inglese. È inferiore ai modelli specializzati di ElevenLabs in termini di gamma emotiva e clonazione vocale personalizzata. Per quanto riguarda i costi, TTS-1-1106 ha un prezzo competitivo di $15 per 1 milione di token di input/output (con margine zero su OrcaRouter), che si traduce in circa $0,015 per 1.000 caratteri di input. Questo è simile ai livelli TTS neurali di Azure.
I principali compromessi sono la selezione limitata di voci (nessuna personalizzazione) e il limite di input di 4096 caratteri. Gli utenti che necessitano di una voce specifica per un marchio devono scegliere una delle sei preimpostazioni. Inoltre, il modello non accetta tag SSML per un controllo granulare su pronuncia o enfasi, al di là degli elementi di base della prosodia SSML. Manca anche il supporto per dialoghi multi‑oratore in una singola richiesta: ogni richiesta produce una sola voce. Per i dialoghi, è necessario inviare richieste separate con diversi parametri vocali e unire l'audio lato client.
Il prezzo si basa sui token—sia di input che di output—a una tariffa fissa di $15,00 per 1.000.000 di token. Un token corrisponde approssimativamente a 0,75 caratteri di testo inglese per l'input, mentre i token di output vengono conteggiati come il numero equivalente di campioni audio generati (anch'essi a $15 per 1 milione di token). Non ci sono margini aggiuntivi; OrcaRouter trasmette esattamente la tariffa del fornitore. Questo modello di prezzo implica un costo lineare rispetto alla quantità di testo elaborato e di audio prodotto. Per un tipico input di 1.000 caratteri, il costo totale è di circa $0,02 (input) + $0,02 (output) = $0,04 per richiesta.
Lo streaming di per sé non modifica il prezzo per token; ti viene addebitato lo stesso numero di token indipendentemente dal fatto che la risposta venga inviata in streaming o come un unico blob. La memorizzazione nella cache delle richieste ripetute lato client può ridurre i costi evitando chiamate API duplicate. OrcaRouter non offre caching lato server per le risposte TTS. Se la tua applicazione genera spesso lo stesso testo (ad esempio, un saluto standard), dovresti pre-generare e memorizzare nella cache l'audio localmente per ridurre al minimo le spese. Non ci sono sconti sul volume o prezzi differenziati; la tariffa è fissa per token.
Considera un chatbot che legge ad alta voce messaggi di 500 caratteri. Ogni messaggio costerebbe in input: 500 caratteri ≈ 667 token → ~$0,01; output: similarmente ~$0,01; totale ~$0,02 per messaggio. Con 10.000 messaggi al mese, si arriva a $200. Per un audiolibro di 50.000 parole (≈350.000 caratteri in input), il costo sarebbe approssimativamente: input $0,07, output $0,07 → $0,14 totali per il libro. Tuttavia, nota che il conteggio dei token in output potrebbe essere più alto a causa della codifica audio; i costi reali potrebbero raddoppiare. Testa sempre un campione e usa i conteggi esatti dei token restituiti dall'API per un budget accurato.
No. OrcaRouter applica esattamente lo stesso prezzo del provider sottostante (OpenAI) per TTS-1-1106: $15 per 1 milione di token in input e $15 per 1 milione di token in output. Non ci sono costi aggiuntivi per l'utilizzo del gateway OrcaRouter. Questa trasparenza nei prezzi consente agli sviluppatori di accedere al modello TTS di OpenAI senza alcun aumento di costo rispetto all'utilizzo diretto dell'API di OpenAI. Paghi solo per il consumo di token e OrcaRouter non applica sovrapprezzi extra.
Chiami il modello utilizzando l'endpoint standard di completamento chat compatibile con OpenAI al base URL https://api.orcarouter.ai/v1. Imposta il parametro model su "openai/tts-1-1106". Il corpo della richiesta richiede un campo input contenente il testo che si desidera convertire, e campi opzionali come voice, response_format e speed (per la velocità di riproduzione). L'autenticazione viene effettuata tramite una chiave API nell'intestazione Authorization. Esempio 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.
I parametri chiave della richiesta includono: model (obbligatorio, impostare su "openai/tts-1-1106"), input (stringa, il testo da pronunciare), voice (stringa tra alloy, echo, fable, onyx, nova, shimmer), response_format ("mp3" o "opus", default mp3), speed (float, default 1.0; intervallo documentato da OpenAI come 0.25 a 4.0), e stream (booleano, default false). Parametri opzionali aggiuntivi includono user, secondo le convenzioni OpenAI. Non supportati: functions, tools, o logprobs. Per lo streaming, impostare stream: true, e la risposta sarà una serie di eventi SSE con dati audio.
I campi minimi richiesti sono model e input. Il model deve essere esattamente "openai/tts-1-1106". Il campo input deve essere una stringa non vuota (fino a ~4096 caratteri). Se si omette voice, l'API utilizza per impostazione predefinita alloy. Se si omette response_format, per impostazione predefinita è mp3. La richiesta deve essere inviata come JSON su HTTPS. OrcaRouter richiede una chiave API valida inserita nell'intestazione Authorization con lo schema Bearer. Non è necessario specificare il parametro text_type; si presuppone testo semplice.
Se stai attualmente utilizzando l'endpoint API di OpenAI per TTS-1-1106, migrare a OrcaRouter richiede solo di cambiare l'URL di base da https://api.openai.com/v1 a https://api.orcarouter.ai/v1 e aggiornare la chiave API con la tua chiave OrcaRouter. L'ID del modello deve essere preceduto da openai/ (ad esempio, usa "openai/tts-1-1106" invece del semplice "tts-1-1106"). Tutti gli altri parametri (input, voice, response_format, ecc.) rimangono invariati. Non sono necessarie modifiche al codice oltre all'endpoint e alla chiave. I prezzi rimangono identici, con zero ricarichi.
OpenAI offre anche TTS-1 (l'originale) e TTS‑1‑HD. TTS-1-1106 è un'iterazione ottimizzata per una latenza inferiore e lo streaming, mentre TTS‑1‑HD offre una qualità superiore a scapito della velocità. TTS-1-1106 supporta le stesse sei voci e lo stesso prezzo. Rispetto al vecchio modello TTS-1, TTS-1-1106 ha una naturalezza migliorata e artefatti ridotti, specialmente nelle espressioni più lunghe. Per le applicazioni in cui la qualità audio è fondamentale e la latenza è meno critica, TTS‑1‑HD potrebbe essere preferibile; altrimenti, TTS-1-1106 è la scelta consigliata per l'uso interattivo.
ElevenLabs offre un'ampia clonazione vocale e controllo emotivo, ma a un costo per carattere più elevato (circa $0.03 per 1K caratteri per il loro livello base). Azure Neural TTS ha prezzi simili a quelli di OpenAI (circa $15 per 1M caratteri) e supporta oltre 100 voci e più lingue. TTS-1-1106 ha una selezione di voci più ridotta ma un'API più semplice e una latenza eccellente. Se hai bisogno di una voce brand personalizzata, ElevenLabs o Azure sono migliori; per accesso solo in inglese, a bassa latenza, zero-markup tramite OrcaRouter, TTS-1-1106 è forte.
Potrebbero esistere alternative TTS più economiche (ad esempio, espeak‑ng o alcuni modelli open-source eseguiti localmente su CPU) ma solitamente mancano di naturalezza. TTS-1-1106 è appropriato quando hai bisogno di generazione vocale su scala cloud, di alta qualità e a bassa latenza senza gestire l'infrastruttura. Per volumi molto elevati in cui il costo è critico, considera una soluzione personalizzata. Se la tua app necessita solo di occasionali sintesi vocali, il prezzo per token di TTS-1-1106 è competitivo. Per lingue non inglesi o voci personalizzate, altri modelli potrebbero essere più convenienti.
I principali elementi distintivi di TTS-1-1106 sono la sua velocità (streaming sub-secondo) e la disponibilità zero markup tramite OrcaRouter. Fa parte dell'ecosistema OpenAI, quindi gli utenti che già integrano modelli GPT possono usare la stessa chiave API e la stessa infrastruttura. Le sei voci preimpostate sono coerenti e ben calibrate per la comprensione. La bassa latenza del modello lo rende ideale per l'IA conversazionale, mentre il supporto SSML (di base) permette un certo controllo sul ritmo. Tuttavia, mancano funzionalità avanzate come il parlato emotivo, i timestamp a livello di parola o l'addestramento vocale personalizzato – questi sono i compromessi per la sua semplicità e velocità.
Compatibile con OpenAI: mantieni il tuo SDK
https://api.orcarouter.ai/v1response_formatspeedvoice| per 1 mln di caratteri | $15.00 |
|---|---|
| Valuta | USD |
| Questo modello non viene fatturato a token. La tariffa sopra è l'unità realmente misurata ed è quella addebitata. | |
Di cosa parlano gli sviluppatori questa settimana
GET /api/public/models/openai/tts-1-1106Apri @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